本文主要探讨了几种几何深度学习问题以及目前存在的解决方案、主要困难、应用和未来研究方向。这些问题涉及非欧几里得域，需要使用结构化的深度神经模型来解决。

Nov, 2016

通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

May, 2017

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

该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

Oct, 2019

本文介绍了一种通过使用（产品）恒定曲率空间的图神经网络的数学基础来建模非欧几里德几何的方法，并利用类欧几里得的重心坐标来扩展了图卷积网络，实现了对特定真实世界数据特性（例如无标度、分层或循环）的归纳偏差，经实验证明，在符号数据的节点分类和畸变最小化任务中，我们的方法比欧几里得图卷积网络表现出更好的性能。

Nov, 2019

本研究探索了在借助矩阵流形学习和优化图嵌入的情况下，如何在曲线里曼尼流形中提高图像嵌入的表现。我们的实验结果证明，在各种衡量不同图形属性的指标基础上，我们通常优于基于超球体和椭球嵌入的欧几里得嵌入，从而为非欧几里得句子嵌入在机器学习流水线中的优势提供了新的证据。

Feb, 2020

本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。

Mar, 2022

本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性，提出了一种基于超边曲率感知的图神经网络（HCGNN），该网络利用离散曲率引导周围消息传递，并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验，结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。

Dec, 2022

我们提出了一种基于全曲率空间的完全产品百叶窗变换器，结合了tokenized图变压器，通过端到端的方式学习适合输入图的曲率，以及一种核化的非欧几里得注意方法，实现了线性时间和内存成本与节点和边的数量成线性关系的模型在非欧几里得域的功能扩展。实验结果表明将变形器推广到非欧几里得域的好处。

Sep, 2023

使用软流形进行图嵌入，为复杂数据集中的任何数据分析任务提供连续空间，实验结果表明其能够相对于现有技术更准确可靠地对图进行表征。

Nov, 2023