本文提出了 CCM-AAE，一种概率生成模型，用于以 CCM 作为嵌入空间，通过与定义在 CCM 上的概率分布匹配来训练编码器，使其隐式地学习在 CCM 上表示数据。实验结果表明，在多个任务中都优于基于欧几里得和非欧几里得几何的其他自编码器。

Dec, 2018

本研究提出了基于二次嵌入的局部 PCA（主成分分析）方法 CA-PCA，以校准底层流形的曲率，从而改进算法在高维数据分析中的估计效果。

Sep, 2023

提出了一个自适应混合曲率广告检索系统（AMCAD），可以自动捕获非欧几里德（Euclidean）空间中的复杂和异构图结构，采用自适应混合曲率空间表示实体，并设计了注意力机制来模拟异构节点之间的相似度，设计了一个高效的二层在线检索框架来部署 AMCAD。

Mar, 2022

本文提出了一种基于自动编码器与流形学习结合的数据探索方法，利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展，并与常规方法相比较，证明该方法在保留内在结构、扩展能力和数据重构方面具有优势

Jul, 2020

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

通过纯数据驱动的工作流程，构建了一套用于分布式动力系统的简化模型（ROMs）；所采用的 ROMs 是由近似惯性流形（AIMs）理论启发，并以此为模板；应用机器学习工具可以避免需要准确的截断 Galerkin 投影和推导闭合修正的需求；并探讨了通过自动编码器和扩散映射这类流形学习技术发现合适的潜在变量集并进行可解释性测试的方法；该方法可以用理论的（Fourier 系数）、线性数据驱动的（POD 模态）和 / 或非线性数据驱动的（扩散映射）坐标表示 ROMs；同时描述了黑盒模型和（基于理论和数据纠正的）灰盒模型；灰盒模型是在截断 Galerkin 投影无法后处理的情况下必要的；文章使用 Chafee-Infante 反应扩散和 Kuramoto-Sivashinsky 耗散偏微分方程来举例并成功测试了整个框架。

Oct, 2023

本文提出了一种新的嵌入模型，用于表示有向图，并通过将模型应用于语言应用和生物领域中的一系列实际案例，旨在展示该模型的重构能力和预测链接的能力。使用低维度圆柱形闵可夫斯基和反德西时空比高维曲面黎曼流形表现更优。

Jun, 2021

本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

Aug, 2023

本研究通过加权产品流形的数据驱动方法，可以更准确地表示异构图的结构，并从输入数据中学习出更好的图表示，以在多个下游任务中获得更好的性能。

Jul, 2023

基于黎曼流模型，通过改进近似方法和利用对称空间，我们能够在高维度上学习分布并得到明显改进，包括模拟非平凡流形上的 QCD 密度并对高维超球上的学习嵌入进行对比实验。

Oct, 2023