Domaine de recherche et ensemble de techniques qui généralisent les méthodes d'apprentissage profond aux domaines non euclidiens (graphes, maillages, variétés, nuages de points) en construisant des architectures et couches qui respectent la structure géométrique et topologique sous-jacente, telles que l'invariance par permutation, l'équivariance aux actions de groupe et la localité définie par la géométrie.

Principe

Imposer des a priori géométriques (invariance, équivariance, localité, passage de messages cohérent avec l'adjacence ou les voisinages géodésiques) pour concevoir des architectures dont les opérations commutent avec les symétries pertinentes et généralisent ainsi entre différentes structures et discrétisations.

Démonstration

Réseaux de convolution sur graphes (GCN) qui agrègent les caractéristiques des voisins en respectant l'invariance par permutation pour la classification de nœuds ; convolutions spectrales ou spatiales sur maillages utilisant des noyaux géodésiques ; réseaux d'attention sur graphes qui pondèrent les arêtes selon des relations géométriques apprises.

Mauvaise application

Appliquer des CNN euclidiens standards directement à des données structurées en graphe sans imposer l'équivariance par permutation, conduisant à des modèles sensibles à l'ordre des nœuds ; ou utiliser des approximations planes de variétés courbes pour la convolution, ignorant la courbure et produisant des artefacts.

Conséquence

Les modèles respectant la géométrie présentent souvent une meilleure efficacité en échantillons, un transfert entre discrétisations différentes, une robustesse aux déformations et des garanties théoriques liées aux propriétés d'invariance/équivariance, permettant une prise en charge raisonnée des données non euclidiennes.

Inversion

L'apprentissage profond classique suppose des entrées en grille euclidienne et une invariance par translation ; sans adaptation géométrique, il n'exploite pas la structure des graphes/variétés et généralise mal sur les tâches non euclidiennes.

Limite

Concerne les modèles et algorithmes pour données structurées non euclidiennes mais ne nécessite pas exclusivement des réseaux profonds — les méthodes à noyau et les cadres de passage de messages relèvent aussi du champ ; des limites de calcul et d'évolutivité et les choix de discrétisation contraignent l'applicabilité.

Tension sémantique

Tension entre a priori géométriques conçus et représentations purement apprises : des priori forts améliorent la généralisation et l'interprétabilité mais peuvent limiter l'expressivité ; tension aussi avec les approches topologiques pures (TDA) qui se focalisent sur la forme globale plutôt que sur des opérations locales équivariantes.

Synthèse

L'apprentissage profond géométrique allie principes géométriques et topologiques avec des architectures d'apprentissage pour construire des modèles qui respectent les symétries et la localité des domaines non euclidiens, offrant meilleure généralisation et robustesse pour les données structurées.