Apprentissage Géométrique

Geometric Deep Learning

Yaé Ulrich Gaba

M2-PhD 11 chapters FR + EN

Survolez ou touchez pour voir le résumé

En bref · In brief

Français

Cours avancé sur l'apprentissage profond géométrique : architectures construites à partir des symétries et de la structure géométrique des données. Réseaux sur graphes, réseaux équivariants, apprentissage sur variétés et nuages de points, liens avec la TDA.

English

Advanced course on geometric deep learning: architectures built from the symmetries and geometric structure of data. Graph neural networks, equivariant networks, learning on manifolds and point clouds, and connections to topological data analysis.

Table des matières

Chapter 1 Motivations — Géométrie en Deep Learning
Chapter 2 Théorie des Groupes pour le Deep Learning
Chapter 3 Réseaux de Neurones sur Graphes
Chapter 4 Variantes de GNN (GAT, GIN, GraphSAGE)
Chapter 5 Apprentissage Spectral sur Graphes
Chapter 6 Apprentissage sur les Variétés
Chapter 7 Réseaux Équivariants et Invariants
Chapter 8 Représentations de Nuages de Points
Chapter 9 Applications
Chapter 10 Liens avec la TDA
Chapter 11 Directions de Recherche

Prérequis

Deep learning (CNN, architectures de base), algèbre linéaire, théorie des graphes. Notions de géométrie différentielle utiles.