MANTRA数据集是一个三角网格模型集合，支持拓扑数据分析、几何深度学习和流形学习。它提供多样的流形三角化，帮助研究人员进行形状分析和数学探索。数据集采用分层结构，适合不同细节层次的实验，是流形学习领域的重要资源。

本文研究低维条件下Hölder函数的非参数回归，利用深层ReLU网络实现，证明其能快速收敛于数据固有维度。探讨多重流形问题，提出基于几何深度学习的前馈神经网络构建方法，处理非欧几里得数据，并展示了对异方差噪声的鲁棒性。研究还涉及Sobolev平滑函数的数值逼近及谱算法在高维逼近中的应用，强调流形特性对神经网络可学习性的影响。

本研究提出了一种无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统。通过改进的解码算法和特征学习方法，提升了神经网络在多模态设置下的分类性能，实现了高质量的信号表示和模态无关表达。

我们提出使用Kuramoto模型在非欧几里德数据集上进行机器学习的想法，并讨论了几何深度学习中的概率建模和推理的统计模型概念。

几何深度学习在计算机辅助设计领域具有革命性能力，通过机器学习优化工作流程，创造创新实用设计。综述提供全面概述，包括相似性分析、2D和3D CAD模型合成以及基于点云的CAD生成。提供基准数据集、开源代码。讨论挑战和未来研究方向。

3DTextureTransformer是一个新颖的框架，结合几何深度学习和StyleGAN类似的架构，能够生成高质量的纹理，同时保持原始高分辨率输入网格拓扑不变。该框架在学习3D几何体和现实世界2D图像的情况下，与任意网格拓扑一起工作，取得了最新性能。

本研究利用几何深度学习和去噪扩散概率模型改进大肠分割结果，通过分层变分自动编码器获得器官形状的全局和局部潜在表示，训练两个条件去噪扩散模型进行形状细化。实验结果表明，该方法可以有效地捕捉器官形状的全局分布和细节，为准确建模大肠表面提供了有希望的解决方案。

本文介绍了点云变形网络（PCD-Net）的几何深度学习方法，用于模拟心脏循环过程。通过对超过10,000例数据集的评估，发现PCD-Net的预测值与实际解剖结构之间的平均Chamfer距离小于图像分辨率。此外，PCD-Net能够捕捉到正常受试者和心肌梗死患者之间的亚人群特异性差异，并在MI检测和潜在MI预测任务中优于多个临床指标，对MI生存分析的Harrell's concordance指数提高了7%。