本文研究了图卷积网络的鲁棒性，提出了GraphDefense方法，以提升其在对抗扰动下的表现，同时保持半监督学习的效果。研究开发了可证明鲁棒性的图神经网络，并验证了其在节点和图分类中的有效性，提出了新的卷积算子以改善表达能力。实验结果显示，这些方法在多种情况下均有性能提升。

本文提出了一种新型卷积算子，增强了旋转不变性，提升了点云分类、分割和形状检索的精度。通过设计旋转不变特征，结合现有CNN模型，优化了图像分类任务的表现，适用于生物医学和天文学等领域。

本文提出了一种新的深度学习架构，用于处理自然复数数据。该架构利用极径形式将每个样本视为复数空间中的一个领域，并设计了相应的卷积算子和全连接层算子。与基于实数神经网络的方法相比，该方法在MSTAR和RadioML复数数据集上表现出色。