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。

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。

该研究探讨了深度学习中数据流形结构和概率分布的重要性，提出了优化潜在空间中概率分布的理论。通过对Riemann流形的时间序列模型分析，证明了其在统计分析中的有效性，并揭示了神经网络的可学习性与流形几何特性之间的关系，强调了在机器学习中谨慎处理数据的重要性。

本研究提出了ForecastCF算法，用于时间序列预测，通过梯度扰动和约束引导实现更优预测。实验结果表明，该算法在反事实有效性和数据流形接近度方面优于基线模型，并能生成有意义的反事实解释。

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。