GEOMETRIC DEEP LEARNING: EXTENDING NEURAL NETWORKS TO NON-EUCLIDEAN SPACES

Abstract

Jaringan saraf dalam (Deep Learning) telah sangat sukses dalam data Euclidean (misalnya, gambar, teks), namun banyak data penting memiliki struktur non-Euclidean (misalnya, grafik, manifold). Latar belakang penelitian ini adalah untuk memperluas kekuatan deep learning ke ruang non-Euclidean melalui Geometric Deep Learning (GDL), memungkinkan analisis yang lebih kaya terhadap data terstruktur kompleks. Metode yang digunakan melibatkan pengembangan arsitektur jaringan saraf yang dapat beroperasi pada grafik, manifold, dan struktur geometris lainnya, dengan mendefinisikan operasi konvolusi, pooling, dan non-linearity yang sesuai. Model Graph Neural Networks (GNNs), manifold learning, dan spectral graph convolutions dirancang untuk tugas-tugas seperti klasifikasi node, prediksi tautan, dan pemrosesan data 3D. Penerapan dilakukan pada berbagai domain data (misalnya, jejaring sosial, molekul, data medis). Hasil penelitian menunjukkan bahwa GDL mampu menangkap fitur struktural dan relasional dalam data non-Euclidean, menghasilkan kinerja yang unggul dibandingkan dengan metode tradisional. Pembahasan menekankan bahwa GDL adalah bidang yang berkembang pesat dengan potensi transformatif untuk drug discovery, social network analysis, dan computer graphics. Ini membuka jalan bagi pemahaman yang lebih dalam tentang data terstruktur kompleks dan mendorong batas-batas artificial intelligence.