在 Riemann 流形上的深度神经网络已经在各个应用领域受到越来越多的关注，其中包括球面和双曲面流形上的 DNN 在计算机视觉和自然语言处理任务中的广泛应用。而球面和双曲面流形能够应用双翼运算和双翼向量空间的丰富代数结构，为成功的深度神经网络在这些流形上的推广提供了基础。最近的一些研究表明，双翼运算和双翼向量空间理论中的许多概念也能够推广到矩阵流形，比如对称正定和 Grassmann 流形。基于这些工作，我们设计了用于对称正定流形上的全连接和卷积层，并在 Grassmann 投影视角上提出了一种使用 Grassmann 对数映射进行反向传播的方法。我们在人类动作识别和节点分类任务中验证了这种方法的有效性。

May, 2024

该论文提出了一种在矩阵流形上构建神经网络的新模型和层，通过将陀螺向量空间的理论应用于 SPD 和 Grassmann 流形上，推广了一些概念，并以人体动作识别和知识图谱完成两个应用来展示其有效性。

May, 2023

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

通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合，我们提出了重要深度学习工具的超几何版本：多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明，即使超几何优化工具受限，超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于，要么与欧几里得变体相当。

May, 2018

本文提出了在对称正定矩阵流形中使用向量值距离计算距离和提取几何信息，并开发陀螺矢量微积分，在该曲面上构建向量空间操作的类比。在知识图谱完成、项目推荐和问题回答等任务中，我们展示了这些操作的多样性。在实验中，SPD 模型优于欧几里德和双曲空间的等价物。向量值距离使我们能够可视化嵌入，展示模型学习从正样本中区分负样本的表示。

Oct, 2021

提出了一种基于高斯分布和李群、黎曼对称空间的新方法，可用于表示和分类二人互动的三维骨架序列，并在三个三维人体活动理解基准测试中取得了有竞争力的结果。

Nov, 2021

本文介绍了一种基于 Riemannian 网络架构的 SPD 矩阵非线性学习方法，使用双线性映射层、特征值矫正层和特征值对数层，使用基于 Stiefel 流形的变体随机梯度下降法来训练此深度网络。实验证明，该网络简单易用，并在三个典型的视觉分类任务中优于现有的 SPD 矩阵学习和现有最先进的方法。

Aug, 2016

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022

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

本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络，该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制，更高效地捕捉数据的分层结构，并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。

Jun, 2020