本研究提出了一种新方法——自适应局部主成分分析（AdaL-PCA），用于分析单细胞转录组测序数据，能够准确估计数据流形的内在曲率，揭示细胞分化中的关键变化。

研究分析了不同环境下基于边界距离的泛化预测方法，提出结合数据流形的新度量，更准确预测泛化，并探讨其实用性和局限性，结果与之前研究一致。

本研究使用卡坦移动框架探讨数据流形的几何特征和Riemannian结构，填补了解释神经网络输出与输入几何关系的研究空白。实验揭示了神经网络响应和输出类别的可达性，为可解释的人工智能工具提供了新的数学依据和潜在影响。

本论文提出了一种基于神经网络的普适密度估计器，称为标准化流。通过在正常空间中添加噪声来扩展数据流形，并在训练标准化流后缩减学习得到的密度。该方法的复杂度与标准化流相同，无需计算反向流。当嵌入维度远大于流形维度时，正常空间中的噪声可以很好地近似为高斯噪声，从而可以用于逼近未知流形上任意的密度函数。

研究发现神经网络的可学习性与流形的曲率、正则性和数据流形的体积有关。有限曲率限制了学习问题的可解性，而数据流形的体积增加则提高了网络的可学习性。还探讨了具有异质特征的中间流形区域的情况。

本文研究了基于输入边界的约束边界测量在深度神经网络的泛化能力预测上的竞争力，并强调了考虑数据流形对深度神经网络的泛化研究的重要性。

研究人员提出了TopDis方法，通过加入多尺度拓扑损失项来学习解耦表示。该方法优化数据流形遍历的拓扑相似性，提出了可微分的解耦拓扑损失。实验证明，该方法在无监督学习中具有改进效果，并可在训练好的生成对抗网络中使用。