¿Qué es el aprendizaje profundo geométrico?

El aprendizaje profundo geométrico, como se llama popularmente a este campo, se ocupa de datos complejos, como gráficos, para crear modelos competitivos.

El aprendizaje profundo geométrico, que Michael M. Bronstein mencionó por primera vez en el artículo titulado “Aprendizaje profundo geométrico: yendo más allá de los datos euclidianos”, ahora encuentra aplicaciones en áreas como la clasificación de objetos 3D, análisis de gráficos, correspondencia de objetos 3D y más.

El artículo de Bronstein destacó cómo la investigación en muchos campos científicos, como las ciencias sociales computacionales, la red de sensores, la física y la atención médica, especialmente las imágenes cerebrales, requiere explorar datos no euclidianos.

El aprendizaje profundo tiene aplicaciones en visión por computadora, procesamiento de lenguaje natural y análisis de audio, que requieren datos euclidianos o 2D. Para facilitar el trabajo con datos 3D, los investigadores están explorando el aprendizaje profundo geométrico, un término general para las técnicas emergentes que se utilizan para generalizar modelos neuronales profundos (estructurados) a dominios no euclidianos, como gráficos y variedades.

Superando los métodos de aprendizaje profundo

Los algoritmos actuales de aprendizaje profundo, como las redes neuronales recurrentes (RNN), las redes neuronales convolucionales (CNN) y LSTM, han experimentado un enorme crecimiento en los últimos años al abordar problemas en el reconocimiento de voz, visión por computadora, generación de imágenes, transición de idiomas y más. La mayoría de estos algoritmos de aprendizaje profundo funcionan con datos euclidianos (1D o 2D). Los investigadores creen que aprovechar los datos en 3D mejorará la precisión de los hallazgos a pasos agigantados.

Uno de los desafíos de las redes neuronales profundas tradicionales es que no pueden analizar datos. Además, la mayoría de estas redes se basan en convoluciones y la convolución funciona mejor en datos euclidianos. Especialmente en áreas como ciencia de redes, física, biología, gráficos por computadora y sistemas de recomendación, los investigadores tienen que lidiar con datos no euclidianos, como variedades y gráficos, que no pueden caber en el espacio bidimensional. Por ejemplo, la especialización gráfica o la malla en el campo de los gráficos por computadora son datos no euclidianos. Los datos no euclidianos pueden representar datos más complejos en comparación con la representación 1D y 2D.