非欧氏数据的几何深度学习

本系列课程重点就网络数据、点云数据上的深度学习展开详细的讲解。

    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,这便有了图卷积神经网络(Graph Neural Network)、PointNet等新的技术。


    本课程重点介绍图卷积神经网络等一系列针对图结构数据(Graph),即我们所说的网络数据,以及PointNet——一种处理点云数据(Point cloud),即一组向量的技术,重点放在算法思路上。

讲师介绍
文雷

北京师范大学系统科学学院研究生 研究方向:复杂网络及深度学习技术在经济系统中的应用

辛茹月

北京师范大学系统科学学院硕士研究生 曾参与《走近2050》一书的编撰 研究方向: 复杂网络分类器、复杂网络的深度学习、GCN等