本文介绍了一种新颖的基于图的变换不变性网络（TIGraNet），该网络可以学习基于图的特征，并对几何变换具有不变性，通过图谱卷积和动态图池化层替代经典的卷积和池化层，能够有效提高对于数据变异的鲁棒性和在有限的训练集上保持持续性能。

Mar, 2017

我们提出了一种将系数学习方案与残差操作器层结合起来的通用架构，用于在三维欧几里得空间中学习连续函数之间的映射。通过设计，我们的模型可以保证实现 SE (3)- 等变性。从图谱的观点来看，我们的方法可以被解释为在图上（具有无限多个节点的稠密图）上进行卷积，我们将其称为 InfGCN。通过利用输入数据的连续图结构和离散图结构，我们的模型可以有效地捕捉几何信息并保持等变性。通过在大规模电子密度数据集上进行广泛的实验证明，我们的模型明显优于当前最先进的架构。我们还进行了多项消融研究，以证明所提出的架构的有效性。

Nov, 2023

本文提供了对（超）图数据的所有置换不变和等变线性层的表征，并展示了它们的维度，并计算出这些层的正交基，包括对多图数据的推广。同时，在简单的深度神经网络框架中应用这些新的线性层，可以获得比之前的不变性和等变性基础更好的表现，并且可以实现任何消息传递神经网络的近似。

Dec, 2018

通过引入一种新颖的图网络架构，它对于保持相邻节点距离的所有坐标嵌入的任何变换都具有等变性，特别是在 $n$- 维中具有欧几里得和共形正交群等变性，从而使得所提出的模型相对于传统图形架构更加数据高效，并且本质上配备了更好的归纳偏差。我们表明，通过少量数据的学习，我们提出的架构可以完全推广到合成问题中的未见数据，而标准模型需要更多的训练数据才能达到可比较的性能。

Jun, 2021

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

本文提出了一种基于等规反变的网络结构，使用各向异性卷积核来应用于网格类型数据，得到了比传统的卷积神经网络更加显著的效果。

Mar, 2020

图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

Aug, 2023

介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

Apr, 2018

该研究旨在为卷积神经网络设计一种与坐标系选择无关的卷积算法，在非欧几里得流形上实现平移不变性的同时，阐明了基于纤维丛的坐标无关卷积算法在欧几里得流形、球面、和一般曲面上的应用。

Jun, 2021

本研究提出了一种基于变换对称性等效性原则的神经网络架构设计方法，并将此原则扩展至局部规范变换领域，以实现在流形上的卷积神经网络，提高了全景图像与全球气候图案分割等任务的性能。

Feb, 2019