【NIPS2017最新Tutorial】几何深度学习(Geometric Deep Learning )讲解(附slide下载)

2017 年 12 月 5 日 专知 专知内容组(编)

点击上方“专知”关注获取专业AI知识!

【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




  • Michael Bronstein

    瑞士提契诺大学副教授,主要研究机器学习和计算机视觉

    http://www.inf.usi.ch/bronstein/research.html


  • Joan Bruna

    纽约大学数学与数据科学中心副教授,曾跟随Yann Lecun读博士后

    https://cims.nyu.edu/~bruna/


  • Arthur Szlam

    Facebook FAIR实验室科学家,在加入Facebook之前在纽约城市大学城市学院数学系任助理教授。主要研究兴趣为机器学习,图数据上的谐波分析

    https://research.fb.com/people/szlam-arthur/


  • Xavier Bresson

    南洋理工大学副教授

    http://www.ntu.edu.sg/home/xbresson/


  • Yann LeCun

    纽约大学终身教授、FacebookAI研究室主任,CNN的发明者

    https://www.google.com.au/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwjG-NCg4vLXAhUBi5QKHckRDZUQFggpMAA&url=http%3A%2F%2Fyann.lecun.com%2F&usg=AOvVaw3Cd-pJyzVdoc_4BN0jGS0w


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(扫一扫最下面专知二维码,或者点击上方蓝色专知)

  • 后台回复“GDL” 就可以获取Michael Bronstein 图和流形的几何深度学习  PPT 下载~

-END-

专 · 知

人工智能领域主题知识资料查看获取【专知荟萃】人工智能领域25个主题知识资料全集(入门/进阶/论文/综述/视频/专家等)

同时欢迎各位用户进行专知投稿,详情请点击

诚邀】专知诚挚邀请各位专业者加入AI创作者计划了解使用专知!

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

请加专知小助手微信(Rancho_Fang),加入专知主题人工智能群交流!


点击“阅读原文”,使用专知

登录查看更多
15

相关内容

【课程推荐】 深度学习中的几何(Geometry of Deep Learning)
专知会员服务
54+阅读 · 2019年11月10日
PyTorch & PyTorch Geometric图神经网络(GNN)实战
专知
81+阅读 · 2019年6月1日
Arxiv
33+阅读 · 2020年1月2日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
16+阅读 · 2018年4月2日
Arxiv
9+阅读 · 2018年3月28日
VIP会员
相关VIP内容
【课程推荐】 深度学习中的几何(Geometry of Deep Learning)
专知会员服务
54+阅读 · 2019年11月10日
相关论文
Arxiv
33+阅读 · 2020年1月2日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
16+阅读 · 2018年4月2日
Arxiv
9+阅读 · 2018年3月28日
Top
微信扫码咨询专知VIP会员