IEEE Signal Processing Magazine· 2017Q1· Derleme
Geometrik Derin Öğrenme: Öklid Verilerinin Ötesine Geçmek
Geometric Deep Learning: Going beyond Euclidean data
- 3.646atıf
- Q1SCImago
- 2017yıl
Kısa özet
Geometrik derin öğrenme (GDL), derin sinir ağlarını grafikler ve manifoldlar gibi Öklid-dışı verilere genişleterek karmaşık, yapılandırılmış bilgilerin analizini mümkün kılar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Derin öğrenme modelleri grafikler ve manifoldlar gibi Öklid-dışı alanlara genelleştirilmektedir.
- Geometrik Derin Öğrenme (GDL) olarak adlandırılan bu alan, basit ızgaraların ötesindeki veri yapılarını ele alır.
- Makale, GDL problemlerine, çözümlerine ve uygulamalarına genel bir bakış sunmaktadır.
- GDL'deki temel zorluklar ve gelecekteki araştırma yolları tartışılmaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Geometric deep learning is an umbrella term for emerging techniques attempting to generalize (structured) deep neural models to non-Euclidean domains, such as graphs and manifolds. The purpose of this article is to overview different examples of geometric deep-learning problems and present available solutions, key difficulties, applications, and future research directions in this nascent field.
Yazarların özeti; kaynağından alınmıştır. IEEE Signal Processing Magazine, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Mekanik
Computational MechanicsEngineering