Geometric Deep Learning (GDL)

Geometrik Derin Öğrenme (GDL), özellikle Öklid dışı verileri işlemek üzere tasarlanmış gelişmiş makine öğrenimi teknikleri için kullanılan geniş kapsamlı bir şemsiye terimdir. Düz, öngörülebilir ızgaralar üzerinde bulunan 2B görüntüler veya metin dizileri gibi standart biçimlerin aksine, Öklid dışı veriler manifoldlar ve 3B ağlar gibi karmaşık yapıların yanı sıra girift ilişkisel ağları da içerir. Bu yapıların içsel geometrisine uygun matematiksel çerçeveler oluşturan Geometrik Derin Öğrenme, yapay zekâ sistemlerinin moleküler oluşumları, karmaşık topolojik haritaları ve dinamik, birbirine bağlı sistemleri doğru bir şekilde analiz etmesini sağlar.

Geometrik Derin Öğrenme Nasıl Çalışır?#

Geometrik Derin Öğrenmenin temel ilkeleri, karmaşık veri kümelerinde bulunan simetri, değişmezlik ve eşdeğişmezlik özelliklerinden yararlanmaya dayanır. Uygulayıcılar arasında sıkça sorulan bir soru, basit bir uzaklık matrisinin geometrik derin öğrenme için yeterli olup olmadığıdır. Yanıt hayırdır; uzaklık matrisleri ikili uzaklıkları yakalasa da gerçek geometrik akıl yürütme için gereken topolojik incelikten yoksundur. Bunun yerine GDL, büyük ölçüde mesaj geçirme mimarilerine ve komşuluk toplulaştırmasına dayanır.

Geometrik Derin Öğrenmeyi Graf Sinir Ağlarından (GNNs) ayırt etmek yararlıdır. GDL, Öklid dışı tüm derin öğrenmeyi kapsayan üst düzey teorik alan iken GNN'ler yalnızca grafik verileri üzerinde çalışan belirli bir sinir ağı mimarisi türüdür. PyTorch Geometric ve TensorFlow GNN gibi çerçeveler, bu derin öğrenme ilkelerini uygulamak için yaygın olarak kullanılır ve düğümlerin temsillerini yapısal bağlantılarına göre güncellemesine olanak tanır.

Geometrik Öğrenme ve Geleneksel Derin Öğrenme Karşılaştırması#

Evrişimli Sinir Ağları (CNNs) gibi geleneksel derin öğrenme modelleri, bilgisayarlı görü görevlerindeki piksel ızgaraları gibi Öklid verileri için son derece iyi optimize edilmiştir. Benzer şekilde, Tekrarlayan Sinir Ağları (RNNs) doğrusal dizileri işlemek üzere tasarlanmıştır. Ancak bu geleneksel ağlar, veriler sabit ve düzenli bir yapıdan yoksun olduğunda zorlanır.

Geometrik öğrenme, doğrudan düzensiz şekiller ve ilişkisel haritalar üzerinde çalışarak bu sınırlamanın üstesinden gelir. Bir sosyal ağı analiz ederken veya 3B bir ortamda yol bulurken standart evrişimler başarısız olur; çünkü bir veri noktasının "komşuluğu" artık sabit bir piksel karesi değildir. Geometrik modeller alıcı alanlarını dinamik olarak uyarlar ve verilerin gerçek şeklini tanımlayan topolojik bağlantıları öğrenir.

Geometri Grafiklerinin ve Modellerinin Gerçek Dünya Uygulamaları#

Geometri grafikleri, düğümleri ve bunların yapısal ilişkilerini açıkça tanımladığından, geometrik modeller çeşitli bilimsel ve ticari alanlarda çığır açan gelişmeler sağlamıştır:

• İlaç Keşfi: GDL, moleküler etkileşimleri tahmin etmede kritik bir rol oynar. Google DeepMind'in AlphaFold'u, amino asitleri birbirine bağlı grafikler olarak modelleyerek karmaşık protein katlanması problemlerini çözmek için uzamsal akıl yürütme tekniklerinden yararlanmasıyla tanınır.
• Sosyal Ağ Analizi: Platformlar, kullanıcı etkileşimlerini analiz etmek için GDL kullanır; sosyal ağ analizi topolojilerini haritalayarak gelişmiş öneri sistemleri ve dolandırıcılık tespiti sağlar.
• 3B Bilgisayarlı Görü: GDL, otonom araçlar ve artırılmış gerçeklik için LiDAR nokta bulutlarını ve 3B ağları işlemek üzere sıklıkla uygulanır.

GDL'yi Bilgisayarlı Görü ile Entegre Etme#

Geleneksel 2B bilgisayarlı görü ile geometrik modelleri birleştirmek, gelişmiş uzamsal akıl yürütme ve 3B nesne algılama gerçekleştirebilen son derece sağlam sistemler oluşturur. Ultralytics YOLO26 gibi güçlü bir 2B algılayıcı kullanan geliştiriciler, bir sahnedeki nesneleri hızla konumlandırabilir. Bu algılanan nesnelerin koordinatları daha sonra geometrik bir grafik için temel düğümler olarak kullanılabilir ve aşağı akıştaki bir GNN'nin görsel öğeler arasındaki karmaşık ilişkileri çıkarsamasına olanak tanır (ör. bir "Sahne Grafiği" oluşturmak).

Aşağıdaki Python kod parçacığı, temel bir geometri grafiği yapısını başlatmak üzere ultralytics paketini kullanarak nesne algılama koordinatlarını nasıl çıkarabileceğini gösterir:

import torch
from ultralytics import YOLO

# Load the Ultralytics YOLO26 model for high-speed object detection
model = YOLO("yolo26n.pt")

# Perform inference to detect objects
results = model("path/to/image.jpg")

# Extract the center coordinates (x, y) of bounding boxes to act as graph nodes
nodes = results[0].boxes.xywh[:, :2].cpu()
node_tensor = torch.tensor(nodes.numpy(), dtype=torch.float)

print(f"Extracted {node_tensor.size(0)} nodes for Geometric Deep Learning mapping.")

Öklid nesne algılamayı Öklid dışı haritalamayla birleştiren büyük ölçekli, hibrit sistemler geliştiren ekipler için karmaşık veri açıklaması süreçlerini yönetmek kritik önem taşır. Ultralytics Platform, gelişmiş uzamsal işlem hatlarını desteklemek üzere bu temel görü modellerini güvenli bir şekilde açıklamak, eğitmek ve sorunsuz biçimde dağıtmak için uçtan uca bir ortam sağlar.