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

本文是介绍深度学习、几何深度学习和图神经网络的简要论文，重点介绍了评分函数和损失函数这些算法的关键成分，以及模型训练的主要步骤。

May, 2023

本研究测试应用几何深度学习到低维拓扑问题的效果，在一个简单的模型中，使用图神经网络来判断一对图是否给出同构三维多样体，通过监督学习和强化学习来训练和优化神经网络模型的准确率和效率。

May, 2023

利用差分形式在 R^n 空间中创建单纯形的表示，提供了可解释性和几何一致性，实现了全局逼近，并超越现有的基于消息传递的神经网络，在利用具有节点特征作为坐标的几何图中获取信息方面有显著性能优势。

Dec, 2023

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

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

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

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

本文将自然语言处理引入到结实理论中，采用编织词表示法，通过随机生成 n 个 n 次数的编织组织讨论 KN 问题。我们发现改进的神经网络算法和增强学习策略优于其他算法。研究表明编织关系是简化 UNKNOT 相对于 Markov 移动的更实用方法。

Oct, 2020