在当前科学进步的步伐下,机器学习有望进一步放大其在社会各个方面的惊人影响。
机器学习的深远影响日益显现,随着新工具被技术社区和公众广泛采用。在当前科学进步的步伐下,机器学习有望进一步放大其在社会各个方面的惊人影响。这一范式在几何学中同样具有变革性。然而,不同于许多依赖于大规模数据集和计算资源的领域,机器学习在几何学中的成功更多依赖于算法,或者更确切地说,依赖于表示——这是任何几何应用中的基本要素。过去的研究促进了对几何的理解,提升了表示能力、速度以及处理全新输入和输出模式的能力,进而催生了令人惊叹的新应用,如物体合成和场景重建。尽管如此,仍然存在诸多挑战,例如如何理解模型选择、限制性、内部机制,以及如何确保模型的控制性和提供保障。本论文探讨了机器学习与几何学的相互作用,提供了理论和实践工具来理解神经表示,并生成和操控它们定义的形状。论文最终利用了神经表示的进展,并将算法的强调推向极致,通过在没有数据的情况下训练生成模型来实现。这种方法完全依赖于现有理论,凸显了与传统机器学习截然不同的范式。本论文引入的工具不仅改进了现有方法,还为构思全新的应用开辟了道路。
数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博:@数据派THU
微信视频号:数据派THU
今日头条:数据派THU