几何深度学习（Geometric Deep Learning）—— 原理与核心算法

已于 2025-09-01 14:35:09 修改
阅读量376 收藏
点赞数 11
CC 4.0 BY-SA版权
分类专栏： 人工智能技术白皮书 文章标签： 深度学习 算法 人工智能
于 2025-09-01 11:34:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/VectorShift/article/details/151065770
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【几何深度学习（Geometric Deep Learning）】几何深度学习与群论：从对称性到可解释的图网络关键词
VectorShift的博客
09-01 114
本文探讨了群论在几何深度学习中的应用，重点分析了对称性、不可变性和共变性对图神经网络（GNN）设计的影响。文章回顾了GCN、GAT和GraphSAGE等核心算法如何实现这些群论原则，并阐述了将物理对称性嵌入模型带来的性能提升和可解释性增强。研究表明，基于群论的GNN设计能有效减少学习负担、提升泛化能力，为AI与科学计算交叉领域（如量子化学、材料设计）提供了新思路。未来工作可进一步探索连续群在GNN中的实现，深化物理约束与深度学习模型的融合。
什么是几何深度学习（Geometric Deep Learning）?
sinat_39434559的博客
07-26 7747
什么是几何深度学习Geometric Deep Learning?
几何深度学习（Geometric Deep Learning）技术
吴建明wujianming_110117
03-10 1487
几何深度学习（Geometric Deep Learning）技术 几何深度学习综述 从论文Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges，了解一下几何深度学习。 https://geometricdeeplearning.com关于这个主题，研究者甚至建了一个网站。 几何深度学习——Geometric Deep Learning 几何深度学习，从对称性和不变性的角度，尝试对一大类机器学习问题进行统一。 因此，几何
顶会宠儿：几何深度学习！将几何先验知识融入深度学习模型！读完这篇，小白也可以了解GDL！
Java_college的博客
06-24 1756
几何深度学习的未来发展潜力巨大。随着深度学习技术的不断进步，结合几何学的深度学习模型有望在更多领域内实现突破。例如，结合无监督学习或半监督学习的几何深度学习模型可能会在不需要大量标注数据的情况下，依然能够实现高性能的学习和预测。几何深度学习以其独特的视角和方法，在机器学习领域内开辟了一条新的研究路径。它不仅丰富了深度学习的理论基础，也为解决实际问题提供了新的思路和方法。随着研究的深入，几何深度学习有望在未来的智能系统中扮演更加重要的角色。
几何深度学习
Cethy‘s Learning Notes
09-11 8053
重点收藏，转载自：http://www.yidianzixun.com/article/0J3c2xqi   随着深度学习的发展，人们已经不满足于将深度学习应用于传统的图像、声音、文本等数据上，而是对更一般的几何对象如网络、空间点云、曲面等应用深度学习算法，这一领域被称为几何深度学习（Geometric deep learning）。人们尝试在不规则的非欧氏的数据上扩展卷积神经网络模型，这便有...
几何深度学习(geometric deep learnng)
Abraham Ben
09-02 460
阅读关于geometric deep learning的相关内容: Geometric deep learning: going beyond Euclidean data
【几何深度学习Geometric Deep Learning】跨模态几何融合
最新发布
VectorShift的博客
09-01 103
跨模态几何融合正成为多感知系统的核心技术之一。通过将图、点云与序列等非欧式数据统一映射到共享嵌入空间，并利用异构图 + Transformer 的联合框架，可以在保持各自几何不变性的前提下，实现强大的跨模态交互和推理能力。未来的研究应聚焦于更高效的投影方法、更鲁棒的对齐策略以及可解释性与实时部署之间的平衡，以推动 CGF 在自动驾驶、机器人感知、生物信息学等领域的深入应用。
【几何深度学习（Geometric Deep Learning）】统一框架：GNN 与 GDL 的关系
VectorShift的博客
09-01 86
统一框架：传统 DL 的卷积/循环/自注意力在 GDL 中被映射为图卷积、交互式注意力和局部 Transformer，核心归纳偏置从平移变为图的自同构。理论深度：GCN 基于谱域拉普拉斯正则化；GAT 通过可学习的注意力实现节点间加权聚合；Graph Transformer 在保持全局信息的同时，利用窗口机制控制稀疏性。对称性与可解释性：对称群是 GDL 的核心归纳偏置；网络结构直接对应物理/几何约束，使模型更易于解释和调优。未来方向多模态图学习：融合图、时间序列、文本等信息；可微分对称性学习。
几何深度学习 - 利用几何先验知识的深度学习
新缸中之脑
05-11 2885
深度学习很难。虽然通用逼近定理表明足够复杂的神经网络原则上可以逼近“任何东西”，但不能保证我们可以找到好的模型。尽管如此，通过明智地选择模型架构，深度学习取得了巨大进步。这些模型架构对归纳偏差进行编码，为模型提供帮助。最强大的归纳偏差之一是利用几何概念，从而产生了几何深度学习领域。几何深度学习（geometric deep learning）这个术语最早是由该领域的先驱 Michael Bronstein 创造的（有关许多最新深度学习研究的有趣见解以及该领域的广泛概述，请参阅他的帖子）。
几何深度学习简介
ms44的专栏
08-31 1290
利用大型系统的已知对称性是解决维数灾难的有力而经典的补救措施，并构成大多数物理理论的基础。深度学习系统也不例外，从早期开始，研究人员就已采用神经网络来利用物理测量产生的低维几何，例如图像中的网格、时间序列中的序列、或分子中的位置和动量，以及它们相关的对称性，如平移或旋转。本着“几何统一”的精神，我们将研究最成功的神经网络架构（如 CNN、RNN、GNN 和 Transformer）的通用数学框架。这种观点有助于我们构建未来的架构，使其能够超越所有当前方法，并具有一定程度的可解释性。
最新几何深度学习扩展库 PyTorch Geometric - 1903.02428.zip
10-31
德国研究者提出最新几何深度学习扩展库 PyTorch Geometric (PyG)，具有快速、易用的优势，使得实现图神经网络变得非常容易。作者开源了他们的方法，并提供教程和实例。
基于几何深度学习的知识图谱关键技术研究进展
07-10
本文以几何深度学习的视角, 以图神经网络为重点, 总结了近期基于图神经网络的知识图谱关键技术研究进展。
3D-Deepbox：使用深度学习和几何（MultiBin）进行3D边界框估计
02-06
使用深度学习和几何的3D边界框估计 本文的Tensorflow实现：Mousavian，Arsalan等。 进行。 该项目的目的是从单个二维图像预测边界框的大小和对象在3D空间中的方向。 先决条件 TensorFlow 脾气暴躁的 OpenCV tqdm 安装 克隆存储库git clone https://github.com/smallcorgi/3D-Deepbox.git 下载KITTI对象检测数据集，calib和标签（ ）。 下载权重文件（vgg_16.ckpt）。 cd $3 D-Deepbox_ROOT wget http://download.tensorflow.or
深度学习的几何基础
deephub
04-29 4633
几何深度学习是从对称性和不变性的角度对广泛的ML问题进行几何统一的尝试。 这些原理不仅是卷积神经网络的突破性性能和图神经网络的近期成功的基础，而且还为构造新型的特定于问题的归纳偏差提供了一种有原则的方法。 此文章是与Joan Bruna，Taco Cohen和PetarVeličković共同撰写的，并基于MM Bronstein，J。Bruna，T。Cohen和P.Veličković的新论文 Deep Learning: Grids, Groups, Graphs, Geodesics, and Gau
深度学习的几何观点
欢迎来到道的世界
10-25 1052
深度学习的基本问题  深度学习方法在很多工程和医疗领取都取得巨大成功，但是深度学习的理论基础依然薄弱，对于深度学习机制的内在理解仍然处于探索阶段，其基本问题可以接纳为如下三个： 深度学习（机器学习）究竟在学习什么？ 深度学习系统如何进行学习？它们究竟是记住了学习样本，还是真正学会了内在知识？ 深度学习系统的学习效果如何？是学会了人类教给它们的所有知识，还是要迫不得已遗忘一些知识？ 最优传输理论有助于理解和解答这些基本问题，并给出更加严密、准确、高效、，透明的设计方案，从而使得深度学习的“黑箱”变得透明。
MindSpore AI科学计算系列 | 几何深度学习系列——统一视角下的神经网络
Kenji_Shinji的博客
05-10 1015
以CNN为例，空间是二维离散平面，变换群是二维平移群，特征场是图片的通道信息，变换的表示是平凡表示，线性等变层是卷积层，非线性层可以是任意非线性函数（因为特征场由标量组成，不会对非线性层做出约束），局部池化层是CNN中的池化层，线性不变层是网络末端的MLP。简单的说，空间是指信息在空间尺度上的延展，特征场则在空间上的每一点定义了一个特征矢量，神经网络的本质是一个特征场之间的映射。一个范畴的例子是集合范畴，它的对象是所有的集合，它的态射是所有的函数，它的复合运算就是函数的复合。
深度学习的几何学解释
hjwang1的专栏
04-15 1171
ref:http://www.engineering.org.cn/ch/10.1016/j.eng.2019.09.010 雷娜 , 安东生, 郭洋, 苏科华, 刘世霞, 罗钟铉, 丘成桐, 顾险峰 摘要 本文从几何角度来理解深度学习，特别是提出了生成对抗网络（GAN）的最优传输（OT）观点。自然数据集具有内在的模式，该模式可被概括为流形分布原理，即同一类高维数据分布于低维流形附近。 GAN主要完成流形学习和概率分布变换两项任务。其中，后者可以用经典的OT方法来实现。从OT的角度来看，生成器用于计算
“几何深度学习”受爱因斯坦启示：让AI摆脱平面看到更高的维度！
weixin_36896856的博客
01-14 248
点击上方“AI遇见机器学习”，选择“星标”公众号重磅干货，第一时间送达 新智元报道来源：Quantamagazine编辑：大明、鹏飞【导读】卷积神经网络（CNN）已在平面视觉任务上...
掌握PyTorch Geometric：实现几何深度学习的利器
标签“pytorch geometric-deep-learning graph-neural-networks Python”是PYG库的关键词，它明确了这个库是与深度学习、图神经网络和Python语言紧密相关的。 文件名称“pytorch_geometric-master”表明了这是一个...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值