Forschungsrichtung und Satz von Techniken, die Deep‑Learning‑Methoden auf nicht‑euklidische Domänen (Graphen, Netze, Mannigfaltigkeiten, Punktwolken) verallgemeinern, indem Architekturen und Schichten entwickelt werden, die der zugrundeliegenden geometrischen und topologischen Struktur Rechnung tragen, etwa Permutationsinvarianz, Äquivarianz gegenüber Gruppenwirkungen und Geometrie‑definierte Lokalität.

Prinzip

Geometrische Priori (Invarianz, Äquivarianz, Lokalität, Message Passing konsistent mit Adjazenz oder geodätischen Nachbarschaften) aufzwingen, um Architekturen zu entwerfen, deren Operationen mit relevanten Symmetrien kommutieren und so über verschiedene Strukturen und Diskretisierungen generalisieren.

Demonstration

Graph Convolutional Networks (GCNs), die Nachbarschaftsmerkmale unter Wahrung der Permutationsinvarianz aggregieren für Knotenklassifikation; spektrale oder räumliche Faltungen auf Netzen, die geodätische Kernel verwenden; Graph Attention Networks, die Kanten nach gelernten geometrischen Relationen gewichten.

Fehlanwendung

Standard‑CNNs aus dem euklidischen Raum direkt auf graphstrukturierte Daten anzuwenden, ohne Permutationsäquivarianz sicherzustellen, führt zu Modellen, die empfindlich gegenüber Knotenordnung sind; oder flache Approximationen gekrümmter Mannigfaltigkeiten für Faltungen zu benutzen und Krümmung zu ignorieren, was Artefakte erzeugt.

Konsequenz

Modelle, die Geometrie respektieren, zeigen häufig bessere Stichprobeneffizienz, Transferfähigkeit zwischen Diskretisierungen, Robustheit gegenüber Deformationen und theoretisch begründete Garantien aufgrund von Invarianz/Äquivarianz, wodurch sie strukturierte nicht‑euklidische Daten prinzipiell handhaben.

Umkehrung

Klassisches Deep Learning geht von gitterstrukturierten euklidischen Eingaben und Translationsinvarianz aus; ohne geometrische Anpassung nutzt es die Struktur von Graphen/Mannigfaltigkeiten nicht und generalisiert schlecht bei nicht‑euklidischen Aufgaben.

Abgrenzung

Betrifft Modelle und Algorithmen für strukturierte nicht‑euklidische Daten, erfordert aber nicht ausschließlich tiefe Netze — Kernel‑Methoden und Message‑Passing‑Frameworks fallen ebenfalls darunter; Rechen- und Skalierbarkeitsgrenzen sowie Diskretisierungsentscheidungen begrenzen die Anwendbarkeit.

Semantische Spannung

Spannung zwischen handgefertigten geometrischen Priori und rein gelernten Repräsentationen: starke Priori verbessern Generalisierung und Interpretierbarkeit, können aber die Expressivität einschränken; außerdem Spannung gegenüber rein topologischen Methoden (TDA), die auf globale Gestalt statt lokale äquivariante Operationen fokussieren.

Synthese

Geometrisches Deep Learning verbindet geometrische und topologische Prinzipien mit Lernarchitekturen, um Modelle zu bauen, die Symmetrien und Lokalität nicht‑euklidischer Domänen respektieren und so bessere Generalisierung und Robustheit für strukturierte Daten liefern.