Apprentissage Géométrique

Description

Ce cours avancé explore l’apprentissage profond géométrique (Geometric Deep Learning), un cadre unificateur qui exploite les symétries et la structure géométrique des données. On étudie les réseaux de neurones sur graphes, les réseaux équivariants, l’apprentissage sur variétés et nuages de points, ainsi que les liens avec l’analyse topologique des données.

Table of Contents

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

Prerequisites

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

Download