博客

人工智能与大模型

几何深度学习：超越文本与图像的 AI

2025.04.18 16分钟阅读

介绍

虽然传统的深度学习技术在处理图像和文本等结构化数据方面表现出色，但在面对分子和数据网络等不规则、复杂的数据时，往往会遇到困难。几何深度学习（GDL）是一种机器学习方法，适用于解决具有不规则和复杂数据的问题。

什么是几何深度学习？

几何深度学习扩展了传统的深度学习方法来处理非欧几里德数据，这些数据不适合像图像或文本这样的规则网格或固定结构。几何深度学习侧重于理解数据点之间的关系，而不管它们的空间排列如何。这使得它在分析分子化合物、社交网络和网格等复杂结构方面特别强大，在这些结构中，元素之间的联系比它们的具体位置更重要。

虽然卷积神经网络（CNN）和多层感知器（MLP）等传统深度学习架构在处理网格中排列的图像像素等结构化数据格式方面表现出色，但在处理非欧几里德数据等更复杂的数据结构时，它们面临着显著的局限性。计算机辅助药物发现、医学 3D 成像和社交网络欺诈等工作量需要更复杂的图形深度学习方法。

为什么传统的深度学习方法难以处理非欧几里德数据？

无法以网格状结构组织的数据是非欧几里得的，这意味着它不遵循几何的标准规则。在非欧几里德数据中，两点之间的距离不是由直线定义的，而是以图形、网格或点云的形式组织的。传统的深度学习方法在处理不规则结构时是无效的。标准的深度学习技术假设数据以规则的网格状结构排列。当应用于非欧几里德数据时：

局部邻域模式并不均匀：与图像不同，图像中的每个像素都有一个固定的周围环境，图中的节点可以有截然不同的相邻节点数量和排列。
不变性是不同的："平移"（即对图像进行轻微位移）的概念在卷积神经网络（CNN）中效果良好。然而，图结构具有与节点排序或连接性相关的不变性，这需要采用不同的方法处理。
关系细节的丢失：扁平化不规则数据以适应网格通常会导致数据中固有的自然关系的丢失。