几何深度学习：超越欧几里德数据
这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广CNN的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。
Nov, 2016
本文研究了基于Riemann流形的时间序列测量数据的统计循环网络模型，通过有效算法和严格分析统计性质，证明了其与现有方法相比表现相当并参数更少，同时在大脑成像的统计分析任务中得到了应用。
May, 2018
本文提出应该将几何图形应用作几何深度学习创新的主要推动力量，并介绍了一种称为仿射跳跃连接的新型构建块，该构建块由完全连接层与任何图卷积算子组合而成，证明其可以显著提高图分类等任务的性能。
Apr, 2020
通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。
Apr, 2021
该研究提出了一种新型的图神经网络$k$-DisGNNs，用于从距离矩阵中学习图的几何结构，实现了图结构学习和几何深度学习的统一，并证明了其高表达能力与卓越性能。
Feb, 2023
本文通过对图神经网络和流形神经网络在图构建、卷积核和神经网络等方面的分析，得出了一种针对该关系的适当内核及其密集和中等稀疏图的非渐进误差界定理，并探讨了图过滤器的可区别性和近似期望行为之间的权衡关系，并分析了非线性操作的频率混合特性和相同流形采样的几何图的可转移性推论，并在导航控制问题和点云分类任务上验证了其结果。
May, 2023
本研究提出了一种新的通用框架，用于学习嵌入非欧几里德流形空间的空间网络的表示，通过结合图拓扑和空间几何，以边上的信息形式提取空间几何，保证学习到的表示对重要的对称性具有不变性，并能够区分不同的几何结构。通过对合成和真实世界数据集的大量实验证明了该方法的优势。
Dec, 2023
基于几何信息传递的数学预备知识，本论文从现有模型的角度提供了对几何图神经网络的统一视角，并总结了其应用以及相关数据集，以促进后续方法开发和实验评估的研究，同时还讨论了几何图神经网络的挑战和未来潜在方向。
Mar, 2024
本研究解决了当前几何学习方法在低维表示中的维度诅咒问题，通过组合方法更好地表征嵌入模型。提出替代性框架，利用超图理论分析嵌入结构，以克服传统图结构仅捕捉二元关系的局限性。研究发现提升了对复杂系统中高阶关系的理解及模型输出的准确性。
Oct, 2024