不变几何深度学习模型的完备性
内容提要
该文综述几何深度学习进展，涵盖等变图神经网络、流形训练框架、点云与网格学习、图同构测试及分子表示，强调物理对称性、表达能力与三维几何建模，并在分类、分割、性质预测等任务取得先进性能。
延伸解读
几何深度学习的核心：对称性与表达能力
文章强调物理对称性在几何深度学习中的核心地位，等变图神经网络通过保持对称性来提升表达能力。例如，GWL测试表明等变层能扩展局部邻域之外的几何信息，高阶张量和标量化使模型具有最大表达能力。这提示读者，在设计模型时需权衡对称性约束与表达能力，以更好地处理三维几何数据。
流形训练框架的通用性与局限
文章介绍了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射将流形上的训练问题转化为常规深度学习问题。该框架在多类图像分类和人脸图像回归上显示出改进性能，但文章未提及其在其他任务上的泛化能力，读者需注意其适用边界。
几何图同构测试的完备性进展
基于2-WL的几何图同构测试方法被证明对三维欧几里得图具有完备性，并用于设计具备等效分离能力的几何GNN模型。实验表明该模型能在挑战性实例上进行分离，并在化学性质预测中具有实用性。这为几何GNN的理论基础提供了支持，但实际应用中的计算成本值得关注。
分子表示学习的最新模型
文章提及GCPNet和k-DisGNNs等模型，前者具有SE(3)置换对称性，在蛋白质-配体结合亲和力预测等任务中取得最先进效果；后者从距离矩阵学习几何结构，统一了图结构学习和几何深度学习。这些进展展示了几何深度学习在分子科学中的潜力，但文章未讨论其可扩展性和数据需求。
Q&A
等变图神经网络在几何深度学习中的表达能力是如何评估的？
文章提到，通过符合物理对称性的几何图卷积神经网络测试GWL来研究表达能力，发现等变层扩展了局部邻域之外的几何信息，高阶张量和标量化使几何图卷积神经网络具有最大的表达能力。
如何将深度神经网络的训练问题转化到Riemann流形上？
文章提出了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射，将最终输出元素在Riemann流形上的深度神经网络的训练问题转化为当前深度学习研究的问题，并在多类图像分类和人脸图像回归上显示出改进后的性能。
点云学习如何实现三维变换不变性？
文章提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，在分类和分割任务中取得了最先进的性能和有竞争力的性能。
几何图同构测试对三维欧几里得图是否具有完备性？
文章提出了一种基于2-WL的几何图同构测试方法，证明其对三维欧几里得图具有完备性。然后利用最新的多重集嵌入结果来设计一个具备等效分离能力的有效几何GNN模型，并经验证实验表明GNN模型能在特别具有挑战性的综合实例上进行分离，证明了它在化学性质预测问题中的实用性。
有哪些图神经网络模型用于分子表示学习并取得了先进性能？
文章介绍了GCPNet图神经网络，具有SE(3)置换对称性，用于3D分子图形表示学习，在蛋白质-配体结合亲和力预测、蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。此外，还提出了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。
如何比较不同图神经网络架构的表达能力？
文章提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用GNN的第一近似保证，FGNN被证明是最具表现力的架构之一，在Quadratic Assignment Problem中的应用表明FGNN能够比现有的基于谱、SDP或其他GNN架构的算法表现得更好。
