في عالم الذكاء الاصطناعي، يبدو أن الشبكات العصبية العميقة على تمثيلات الفضاءات متعددة الأبعاد تكتسب اهتمامًا متزايدًا في مختلف تطبيقات التعلم الآلي. وفي الآونة الأخيرة، أصبح التركيز على تعميم الطبقات المكتملة (fully connected layers) والطبقات الالتفافية (convolutional layers) على الهندسات غير الإقليدية أمرًا مثيرًا.

ومع ذلك، غالبًا ما تركز الأساليب السابقة على عدد قليل من الفضاءات الانتقالية، اعتمادًا على خصائص معينة من الفضاء المستهدف. وبالتالي، يقدم هذا العمل إطارًا مبتكرًا لبناء طبقات مكتملة وطبقات التلافيف (convolutional) في فضاءات ريمان (Riemannian spaces) القابلة للحساب

يشتمل هذا الإطار على العديد من الطبقات المكتملة السابقة عبر هندسات مختلفة كحالات خاصة، ويمكن تطبيقه على عشرة فضاءات تمثيلية تشمل ثلاثة نماذج هيبرولية، وخمسة هندسات من الفضاء الودي المترافق (symmetric positive definite)، ووجهتي نظر من جراسميات.

تظهر التجارب في فضاءات مختلفة فعالية وقابلية تطبيق الطريقة المقترحة. يمكن العثور على الشيفرة البرمجية على رابط GitHub المذكور. يُظهر هذا التطور الكبير كيف يمكن للذكاء الاصطناعي أن ينتقل إلى آفاق جديدة من خلال طرق أكثر مرونة وابتكارًا.

ما رأيكم في استخدام الشبكات العصبية في الفضاءات غير الإقليدية؟ هل تعتقدون أنها ستحدث فرقًا في كيفية تطوير نماذج التعلم الآلي؟ شاركونا آراءكم في التعليقات!