| hexj9 | 2022-02-27 17:02 |
|
机器学习今年的热门研究，会是什么？ 近日，有网友在 Reddit 开了这么一个盘，立刻吸引了大批 MLer 的注意。 有人提名自监督模型，有人认为表征学习越来越受到关注，还有人认为基于物理的机器学习才是未来的方向……  然而，目前从评论区最高赞数来看，上述的这几个方向都不是“赢家”。 截至目前，获赞最多的选手是 —— 几何深度学习。 这项技术是因 Twitter 首席科学家、图机器学习大牛 Michael Bronstein 去年发表的一篇论文走入了大众视线。  ▼ 顺带一提那篇论文有 160 页  那么问题就来了： Top 人气从何而来？ 几何深度学习全名 Geometric Deep Learning，最早是 Michael Bronstein 在 2016 年的一篇论文中引出的一个概念。 简单来说，这是一种试图从对称性和不变性的视角出发，从几何上统一 CNNs、GNNs、LSTMs、Transformers 等典型架构的方法。 在高赞评论的下方，有人用一个简单的例子解释了这种“对称性”： 传统网络认为“E”和“3”是不同的，但是具有镜像对称性（或 π 键旋转）的网络却会认为它们是一致的。  这就对称带来的稳定性，因为在视觉上，许多物体其实是同一个物体，会具有“这是同一个物体，只是翻转了一下”的 3D 几何相似性，因此很多问题都可以基于对称性得到解决。 而传统卷积网络更多地使用数据增强，如旋转，平移，翻转来补偿这一目的。 所以，几何深度学习希望几何学中的“不变群”的概念范围放得更宽，让网络除了旋转平移对称的常规操作之外，还能囊括“不变”这种操作。 比如在一段视频中，有两辆小车相向而行，无论速度如何，有无遮挡，视频的语义就是两辆小车相向行驶。 总的来说，几何深度学习既能使卷积网络更加稳定，也能更好地面对复杂度爆炸的拟合函数。 |
|
