【导读】美国时间 12 月 4 日,第 31 届神经信息处理系统大会(Neural Information Processing Systems,NIPS)在美国加州长滩的会展中心正式开幕!NIPS是人工智能和机器学习领域的顶会,来自世界范围内优秀的科学家、研究人员和从业者都将汇聚一堂,相互切磋工作,将在未来的五天里共同讨论和分享人工智能的前沿想法和未来发展。每年 NIPS 的会议上,都会有非常重量级的 tutorial 和工作发表。今天,专知内容组整理Michael Bronstein教授讲解的Tutorial《Geometric Deep Learning on Graphs and Manifolds》(图和流形的几何深度学习)分享给大家。
▌摘要
在过去的几年,深度学习方法在多个领域取得了前所未有的成就,比如计算机视觉和语言识别。目前研究者主要将深度学习方法应用于欧氏结构数据,然而有些非常重要的应用需要处理非欧氏空间结构的数据,比如图和流形。这些几何数据在许多任务重的重要性越来越多高,比如3D视觉、传感网络、药品研发、生物医药、推荐系统以及各种web程序。 深度学习在这些方面的应用有着明显的滞后,这是因为处理的对象的非欧性质使得在深层网络中对其基本操作的定义相当麻烦。
本教程的目的是介绍几何深度学习在图和流形数据上的最新成果,并综述针对这些问题的解决方法、关键难点和未来的研究方向。
▌作者
▌相关论文
教程主讲人Michael Bronstein在CVPR 2017 曾发表论文《几何深度学习:在图和流形上使用CNN混合模型》Geometric deep learning on graphs and manifolds using mixture model CNNs
作者提出一个统一框架可以将CNN结构推广到非欧几里得域(图和流形)中,并可以学习局部的,平稳的,组合的特定任务特征。作者也表明了先前文献中提出的各种非欧几里得CNN方法都可以被视为作者提出框架的特例。最后,作者在图像,图和三维形状分析领域的标准任务中测试了提出的方法,结果表明都优于先前的方法。
作者用所提出的MoNet方法在FAUST人类数据集测试例子的结果如下:
图1.显示从最左边的身体参考形状转移到不同姿势的身体各个部分纹理之间的对应关系。
链接:
https://nips.cc/Conferences/2017/Schedule?showEvent=8735
▌PPT
注:由于PPT有238页,未能全部展示,感兴趣的读者可以在专知公众号后台回复下载全部slide.
请关注专知公众号