“几何深度学习的一个核心组成部分是等
Posted: Sat Feb 08, 2025 9:22 am
变的概念：即神经网络中的内部表示，即所谓的特征向量，会随着输入数据而旋转，”Stühmer 说。 “特征向量用于对训练模型所需的所有特征进行编码。”
对称性还可以用于训练神经网络：这意味着，对于具有六边形结构的分子，只需要向神经网络“提供”该结构六分之一的数据，就可以获得其结构及其属性的完整图像。
哪个网络对应哪个数据？
目前仍需明确哪些神经网络适合这种类型的数据处理，因为 Jan Stühmer 和他的团 科特迪瓦电报数据 队需要它们进行研究。因为并非所有的建筑都同样适用。最著名的 NN 是卷积神经网络 (CNN)，主要用于处理图像和音频文件以及欧几里得几何中的专用数据，以及大型语言模型，其英文名称为大型语言模型 (LMM)，ChatGPT 就是使用这种模型（有关 LLM 的更多信息，请参阅我们前驻地记者 Anil Ananthaswamy 在YouTube上的讲座）。
Jan Stühmer 表示：“图神经网络的优势在于它们可以应用于各种各样的数据——包括非结构化数据——例如分子和几何数据，例如表面扫描和点云。我们目前正在研究蛋白质设计的扩散模型。”
对称性还可以用于训练神经网络：这意味着，对于具有六边形结构的分子，只需要向神经网络“提供”该结构六分之一的数据，就可以获得其结构及其属性的完整图像。
哪个网络对应哪个数据？
目前仍需明确哪些神经网络适合这种类型的数据处理，因为 Jan Stühmer 和他的团 科特迪瓦电报数据 队需要它们进行研究。因为并非所有的建筑都同样适用。最著名的 NN 是卷积神经网络 (CNN)，主要用于处理图像和音频文件以及欧几里得几何中的专用数据，以及大型语言模型，其英文名称为大型语言模型 (LMM)，ChatGPT 就是使用这种模型（有关 LLM 的更多信息，请参阅我们前驻地记者 Anil Ananthaswamy 在YouTube上的讲座）。
Jan Stühmer 表示：“图神经网络的优势在于它们可以应用于各种各样的数据——包括非结构化数据——例如分子和几何数据，例如表面扫描和点云。我们目前正在研究蛋白质设计的扩散模型。”