The knowledge of certain principles easily compensates the lack of knowledge of certain facts. —— Claude Adrien Helvétius
人类的快速脑补能力有时也是缺陷,就像哲学家 爱尔维修(Helvétius) 说的,人们手里一旦有了“锤子”,眼中一切都会变成“钉子”,如果没办法看做“钉子”,首先会想到的,也是做个更好的锤子作为补偿。
现在, CNN或神经网络就是那个“锤子”,各种数据处理(增强)方法就是那个“钉子” 。99%的工作都围绕着如何让一对“锤子““钉子”更好地配合。
而我们今天聚焦的就是一个更好的“大锤子” —— Geometric Deep Learning
ICLR2021 上 几何深度学习( Geometric Deep Learning ) 博得了很多眼球,究其根源,其实它是图深度学习(graph deep learning)的延伸甚至等价,而与深度学习的关系并不密切( 主讲人Michael Bronstein 之前也是专注graph representation的)。
因为其强大的抽象能力,“几何”二字让深度学习这把“锤子”更大了。
首先,这里的几何主要指的是 非欧几何(拓扑学流形学) 的领域。研究的是极度抽象的概念如: 群论 中的对称群不变群等变换:
Be First to Comment