Geometric Deep Learning (GDL)

Geometric Deep Learning (GDL) is a broad umbrella term for advanced machine learning techniques specifically designed to process non-Euclidean data. Unlike standard formats such as 2D images or text sequences, which sit on flat, predictable grids, non-Euclidean data includes complex structures like manifolds and 3D meshes as well as intricate relational networks. By establishing mathematical frameworks that respect the intrinsic geometry of these structures, Geometric Deep Learning enables AI systems to accurately analyze molecular formations, complex topological maps, and dynamic interconnected systems.

Link to this sectionGeometrik Derin Öğrenme Nasıl Çalışır#

Geometrik Derin Öğrenmenin temel ilkeleri, karmaşık veri setlerinde mevcut olan simetri, değişmezlik ve eşdeğerlikten yararlanmaya dayanır. Uygulayıcılar arasında sıkça sorulan bir soru, basit bir mesafe matrisinin geometrik derin öğrenme için yeterli olup olmadığıdır. Cevap hayırdır; mesafe matrisleri ikili mesafeleri yakalasa da, gerçek geometrik akıl yürütme için gereken topolojik nüanstan yoksundurlar. Bunun yerine GDL, büyük ölçüde mesaj iletim mimarilerine ve komşuluk kümelemeye dayanır.

Geometrik Derin Öğrenmeyi Çizge Sinir Ağlarından (GNN) ayırmak yararlıdır. GDL, tüm Öklid dışı derin öğrenmeyi kapsayan genel teorik alan olsa da, GNN'ler yalnızca çizge 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 güncellemelerine olanak tanır.

Link to this sectionGeometrik Öğrenme ile Geleneksel Derin Öğrenmenin Karşılaştırılması#

Geleneksel derin öğrenme modelleri, örneğin Evrişimli Sinir Ağları (CNN'ler), bilgisayarlı görü görevlerindeki piksel ızgaraları gibi Öklid verileri için yüksek oranda optimize edilmiştir. Benzer şekilde, Yinelemeli Sinir Ağları (RNN'ler) doğrusal dizileri işlemek için oluşturulmuştur. Ancak, veriler sabit ve düzenli bir yapıdan yoksun olduğunda bu geleneksel ağlar zorlanır.

Geometrik öğrenme, doğrudan düzensiz şekiller ve ilişkisel haritalar üzerinde çalışarak bu sınırlamayı aşar. Bir sosyal ağı analiz ederken veya 3D bir ortamda gezinirken, standart evrişimler başarısız olur çünkü bir veri noktasının "komşuluğu" artık sabit bir piksel karesi değildir. Geometrik modeller, verinin gerçek şeklini tanımlayan topolojik bağlantıları öğrenerek alıcı alanlarını dinamik olarak uyarlar.

Link to this sectionGeometri Çizgeleri ve Modellerinin Gerçek Dünya Uygulamaları#

Geometri çizgeleri düğümleri ve bunların yapısal ilişkilerini açıkça tanımladığı için, geometrik modeller çeşitli bilimsel ve ticari alanlarda çığır açıcı gelişmelere olanak tanımıştır:

• İlaç Keşfi: GDL, moleküler etkileşimlerin tahmin edilmesinde çok önemlidir. Google DeepMind'dan AlphaFold, amino asitleri birbirine bağlı çizgeler olarak modelleyerek karmaşık protein katlanma problemlerini çözmek için uzamsal akıl yürütme tekniklerini kullanmasıyla ünlüdür.
• Sosyal Ağ Analizi: Platformlar, kullanıcı etkileşimlerini analiz etmek için GDL'yi kullanır; bu da sosyal ağ analizi topolojilerini haritalandırarak gelişmiş öneri sistemlerini ve dolandırıcılık tespitini mümkün kılar.
• 3D Bilgisayarlı Görü: GDL, otonom araçlar ve artırılmış gerçeklik için LiDAR nokta bulutlarını ve 3D ağları işlemek amacıyla sıklıkla uygulanır.

Link to this sectionGDL'nin Bilgisayarlı Görü ile Entegrasyonu#

Geleneksel 2D bilgisayarlı görü ile geometrik modellerin birleştirilmesi, gelişmiş uzamsal akıl yürütme ve 3D nesne algılama kapasitesine sahip son derece sağlam sistemler oluşturur. Ultralytics YOLO26 gibi güçlü bir 2D dedektör kullanarak, nesneleri bir sahnede hızla bulabilirsin. Bu algılanan nesnelerin koordinatları, daha sonra bir GNN'in görsel öğeler arasındaki karmaşık ilişkileri (örneğin bir "Sahne Çizgesi" oluşturmak gibi) çıkarmasına izin vererek geometrik bir çizge için temel düğümler görevi görebilir.

Aşağıdaki Python kod parçası, temel bir geometri çizge yapısını başlatmak için ultralytics paketini kullanarak nesne algılama koordinatlarını nasıl çıkarabileceğini göstermektedir:

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 tipi nesne algılamayı Öklid dışı haritalamayla birleştiren büyük ölçekli, hibrit sistemler kuran ekipler için karmaşık veri etiketlemeyi yönetmek kritiktir. Ultralytics Platform, gelişmiş uzamsal boru hatlarını desteklemek amacıyla bu temel görü modellerini güvenli bir şekilde etiketlemek, eğitmek ve sorunsuz bir şekilde dağıtmak için uçtan uca bir ortam sağlar.