Área de investigación y conjunto de técnicas que generalizan métodos de aprendizaje profundo a dominios no euclidianos (grafos, mallas, variedades, nubes de puntos) construyendo arquitecturas y capas que respetan la estructura geométrica y topológica subyacente, como la invariancia por permutación, la equivarianza a acciones de grupo y la localidad definida por la geometría.

Principio

Imponer priori geométricos (invariancia, equivarianza, localidad, paso de mensajes consistente con la adyacencia o los vecindarios geodésicos) para diseñar arquitecturas cuyas operaciones conmuten con las simetrías relevantes y así generalicen entre distintas estructuras y discretizaciones.

Demostración

Redes convolucionales para grafos (GCN) que agregan características de vecinos respetando la invariancia por permutación para clasificación de nodos; convoluciones espectrales o espaciales en mallas que usan núcleos geodésicos; redes de atención en grafos que ponderan aristas según relaciones geométricas aprendidas.

Aplicación incorrecta

Aplicar CNNs euclidianos estándar directamente a datos estructurados en grafos sin imponer equivarianza por permutación, lo que conduce a modelos sensibles al orden de los nodos; o usar aproximaciones planas de variedades curvas para convolución, ignorando la curvatura y produciendo artefactos.

Consecuencia

Los modelos que respetan la geometría suelen mostrar mejor eficiencia muestral, transferencia entre discretizaciones, robustez a deformaciones y garantías teóricas ligadas a propiedades de invariancia/equivarancia, permitiendo un manejo riguroso de datos no euclidianos.

Inversión

El aprendizaje profundo clásico asume entradas en rejilla euclidiana e invariancia por traslación; sin adaptación geométrica no explota la estructura de grafos/variedades y generaliza mal en tareas no euclidianas.

Límite

Se ocupa de modelos y algoritmos para datos estructurados no euclidianos pero no exige exclusivamente redes profundas: métodos de núcleo y marcos de paso de mensajes también entran en el ámbito; límites computacionales y de escalabilidad y elecciones discretizadoras restringen su aplicabilidad.

Tensión semántica

Tensión entre priori geométricos diseñados y representaciones puramente aprendidas: los priori fuertes mejoran la generalización y la interpretabilidad pero pueden limitar la expresividad; también existe tensión con métodos topológicos puros (TDA) que se centran en la forma global más que en operaciones locales equivariante.

Síntesis

El aprendizaje profundo geométrico une principios geométricos y topológicos con arquitecturas de aprendizaje para construir modelos que respetan simetrías y localidad en dominios no euclidianos, logrando mejor generalización y robustez para datos estructurados.