本文介绍广义散射变换作为深度神经网络数学模型，并探讨其在无监督和有监督学习及分类中的应用。

Jun, 2013

本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法，分别基于分层聚类和图拉普拉斯谱。结果表明，在低维图形上，可以实现独立于输入尺寸的卷积层学习，从而实现高效的深度网络结构。

Dec, 2013

该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

May, 2016

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

Mar, 2017

本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

Sep, 2018

本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和关联的能力，同时将我们的构建与之前的一些理论结果联系起来，这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。

Oct, 2018

本文介绍了在网络数据中使用多分辨率图形小波的散射变换，并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健，特别适用于转移学习、拓扑估计或时变图的情况。

Jun, 2019

本文提出了一个叫做Scattering GCN的方法，将传统图卷积神经网络与几何散射变换和残差卷积相结合，以提高半监督节点分类的性能。实验结果显示，与最新提出的图神经网络相比，这种方法在处理图数据时具有优越性能。

Mar, 2020

本文提出了一种基于sheaf Laplacian的sheaf神经网络，该网络通过泛化已有的graph convolutional networks模型中的扩散操作，提供了一种proper generalization的方法，以适用于节点间关系非恒定、非对称、不同维度的领域。研究结果表明，在节点之间关系非对称且带符号的领域，sheaf神经网络可以优于graph convolutional networks。

Dec, 2020