B031294 - GEOMETRIC LEARNING

Italiano

William L. Hamilton. Graph Representation Learning. McGill University.

Lingfei Wu, Peng Cui, Jian Pei, Liang Zhao. Graph Neural Networks: Foundations, Frontiers, and Applications. Springer.

Il corso mira a fornire conoscenze di reti profonde per l'elaborazione di dati in domini non Euclidei con particolare riferimento a grafi, nuvole di punti e mesh. Attraverso alcuni frameworks e librerie in Python verranno analizzati casi di studio mirati all'acquisizione di competenze di progetto di architetture basate su deep neural networks per l'analisi di dati in domini non Euclidei

Deep learning

Lezioni in aula ed esercitazioni. Gli studenti possono abbinare un laboratorio all'approfondimento di tematiche presentate a lezione.

Orale.
Al candidato saranno poste quattro domande su altrettanti argomenti presentati nelle lezioni. Il candidato dovrà dimostrare la propria conoscenza di tali argomenti avvalendosi anche dello strumento Colab per dimostrare la capacità di usare le proprie conoscenze.

Introduction to geometric deep learning
Manifold learning
Graph Convolutional Networks, Graph Neural Networks, Attention in Graph Neural Networks, Graph clustering, GNN for dynamic graphs
Shapes, point clouds and meshes
Shape analysis.
3D acquisition, registration and triangulation. Mesh smoothing and representation. Surface curvature and geodesic distance computation. Hand-craft features on the mesh.
PointNet and PointNet++ for deep learning on point clouds. Deep learning methods on meshes. Generative methods on graphs and meshes.