Geometric Deep Learning
Christoph Tycowicz
Kommentar
Voraussetzungen:
Ein solider Hintergrund in Differentialgeometrie oder geometrischem Rechnen ist von Vorteil, aber nicht zwingend erforderlich.
Studierende, die keine verwandten Kurse besucht haben (Differentialgeometrie I, Wissenschaftliche Visualisierung, ...) können das Seminar besuchen, sollten aber bereit sein, mehr Zeit zu investieren.
Beschreibung:
Geometric Deep Learning ist ein breit gefächertes und aufstrebendes Forschungsparadigma, das sich mit der Konzeption und Untersuchung von Architekturen neuronaler Netze befasst, die die Invarianzen und Symmetrien in Daten berücksichtigen.
In der Tat weisen viele reale Aufgaben wesentliche vordefinierte Regelmäßigkeiten auf, die sich aus der zugrunde liegenden niedrigen Dimensionalität und Struktur der physischen Welt ergeben.
Es hat sich gezeigt, dass die Erfassung dieser Regelmäßigkeiten durch vereinheitlichte geometrische Prinzipien zu erheblichen empirischen Verbesserungen führt.
Beispiele für solche geometrischen Architekturen sind graphische neuronale Netze sowie Modelle für Daten in gekrümmten Mannigfaltigkeiten.
Ziel dieses Seminars ist es, vertieftes Wissen über die Kernmethodik des Geometric Deep Learning sowie einen Überblick über die neuesten Methoden zu vermitteln.
Die Studierenden erwerben praktische Fähigkeiten im Lesen, Präsentieren, Erklären und Diskutieren von wissenschaftlichen Arbeiten.
Das Seminar kann als Vorbereitung für ein MSc-Thema genutzt werden.
Literaturhinweise
Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković (2021) Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. arXiv:2104.13478
32 Termine
Regelmäßige Termine der Lehrveranstaltung