【IPAM workshops】加州大学洛杉矶分校会议：Geometry and Learning from Data in 3D and Beyond， workshop Ⅳ： Deep Geometric Learning of Big Data and Applications

报告名称： Deep Geometric Learning of Big Data and Applications

报告摘要： 深度学习技术在计算机视觉，自然语言处理和语音分析方面取得了令人印象深刻的性能。这些任务专注于位于欧几里得域上的数据，并且针对这些域的数学工具（例如卷积，下采样，多尺度和局部性）已得到明确定义，并受益于GPU等快速计算硬件。但是，许多基本数据和任务都涉及非欧几里德领域，而这些领域最初并不是为深度学习方法设计的。例如计算机图形学中的3D点云和3D形状，大脑结构连接网络中的功能性MRI信号，基因组学中基因调控网络的DNA，量子化学中的药物设计，高能物理中的中微子检测以及常见的知识图理解视觉场景。这一主要局限性促使近年来的研究界将神经网络推广到任意的几何域，例如图形和流形。卷积，粗化，多分辨率，因果关系等基本操作已通过频谱和空间方法进行了重新定义。这些非欧氏数据分析问题的最新结果显示了在许多领域中都有希望的令人振奋的新工具。

该研讨会的目标是：1）召集数学家，机器学习科学家和领域专家，以建立这些新兴技术的现状； 2）讨论用于分析这些新的深度学习技术的框架； 3）确立新的研究方向以及这些技术在神经科学，社会科学，计算机视觉，自然语言处理，物理学，化学中的应用，以及4）讨论了GPU以外的适用于非欧几里德领域的新计算机处理体系结构。

邀请嘉宾： Jure Leskovec，斯坦福大学计算机科学副教授。 研究重点是对大型社会和信息网络进行挖掘和建模，它们的演化，信息的传播以及对它们的影响。 调查的问题是由大规模数据，网络和在线媒体引起的。

Stanley Osher，加州大学洛杉矶分校 IPAM 数学与计算机科学教授，电气工程与化学和生物分子工程教授。

报告部分大纲：

• 自动微分，PyTorch和图形神经网络
• 深度学习作为稀疏性强制算法
• 语义3D重建
• 高维几何的视角
• 稳健性与准确性
• 异质分子结构定位中的逆问题和无监督学习