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

本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法，可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。

May, 2019

利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

Mar, 2012

通过小波卷积和模运算，计算多阶调制谱系数，得到一种可以稳定处理时间扭曲的局部平移不变表示，可用于音乐类型和电话语音方面的分类，并取得了最新的分类结果。

Apr, 2013

该研究将散射变换（scattering transform）推广到图像上并在此基础上构建了图卷积神经网络（convolutional neural network on graphs），证明了在特定条件下，该网络生成的任何特征对排列的变化具有近似不变性（invariance）和对图像操作的稳定性，并在相关数据集上展现出卓越的性能（numerical results）。

Mar, 2018

本文构建了 L2 (R^d) 上的平移不变算子，并证明了其对于相应微分同胚的 Lipshitz 连续性；同时，提出了散射算子的概念，并将其应用于频率分布不同的过程的辨别；最终，将散射算子扩展到了 L2 (G) 上，并成功定义了平移旋转不变的散射算子。

Jan, 2011

通过探测扩散网络，研究不同的 3D 场景属性，我们发现 Stable Diffusion 在场景几何、支撑关系、阴影和深度方面表现优秀，但对遮挡不够有效。与其他大规模训练的模型相比，如 DINO 和 CLIP，我们发现 Stable Diffusion 的性能更强。

Oct, 2023

本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。

Mar, 2005

本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于 Haar 散射变换，该变换能够计算出不变的信号描述符，并通过深度级联计算正交 Haar 小波变换来实现。此外，本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类在样本集上进行了测试。

Jun, 2014