本研究提出了一种结合自编码器与去噪扩散模型的蛋白质序列表示学习框架，旨在解决流形学习与分布建模的任务分解问题。实验结果表明，该模型的区分能力优于基线模型。

本研究通过流形学习分析深度变换器模型在时间序列预测中的应用，探讨模型的潜在表示与低维流形的关系，发现各层几何特征与模型性能相关，为新型深度预测神经网络设计提供启示。

本研究提出了一种几何感知生成自编码器GAGA，旨在解决高维数据生成和流形学习中的不足。GAGA通过学习扭曲的黎曼度量，建立尊重内在几何的神经网络嵌入空间，在单细胞轨迹推断中性能提升30%。

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。

本研究提出了一种新算法ORC-ManL，用于去除邻近邻图中的虚假边。该算法基于Ollivier-Ricci曲率和度量失真标准，在流形学习和单细胞RNA测序数据聚类等任务中表现出色，显著提升了分析效果。

该论文提出了一种无损整合人类大脑皮层的方法，利用聚类和流形学习技术提取大脑结构与功能特征。研究探讨了脑功能与解剖连接的关系，并提出基于多尺度图谱和深度学习的诊断方法，显示在阿尔茨海默病等疾病诊断中的优势。此外，介绍了开源软件NeuroGraph和新的层次结构-功能连接融合模型，提升了脑网络生成的准确性，为神经影像学分析提供了新视角。

本文探讨了利用数据驱动的方法构建分布式动力系统的简化模型（ROMs），结合近似惯性流形理论和机器学习工具，避免复杂的数学推导。研究了流形学习技术在潜在变量集发现中的应用，并通过实例验证了该框架的有效性，展示了其在数据分析和动态系统建模中的优势。

本文介绍了一种无监督分类方法，通过预训练模型和流形学习提高图像分类准确率，减少对标注数据的依赖。在高细度真菌种类的可视化分类中，该方法达到了78.4%的准确率。此外，研究探讨了自监督学习在计算机视觉中的应用，证明其在域泛化方面优于监督学习。

该论文提出了一种无损整合人类大脑皮层的划分方法，利用聚类和流形学习技术，准确提取大脑结构和功能特征。研究分为五个步骤，输出不同皮层的子区分标签，效果良好。同时，文中综述了功能连接组的发展及其在大脑病理和认知机制中的应用。

本文提出了一种基于神经网络的普适密度估计器——标准化流，扩展了其在非欧几里得空间的应用。通过在正常空间中添加噪声，改进了流形学习和密度估计，解决了体积变化问题，提高了样品质量和数据嵌入的可分性。此外，研究介绍了自正则化流和Riemannian连续正规化流模型，显著提升了模型的稳定性和表现。

该文章介绍了使用子里曼几何学进行流形学习和表面重构的方法，通过构建主切子空间和确定子里曼度量，可以在构建子流形和计算观测值距离等问题上应用该度量。该框架在处理噪声数据时表现稳健，并可推广到基于先验已知里曼几何学的观测。

该文章介绍了使用子里曼几何学进行流形学习和表面重构的方法，通过局部线性逼近构建主切子空间来决定子里曼度量。该方法在逼近子流形、点云表示和观测值距离计算等问题上有应用，且在处理噪声数据时表现稳健。

该研究提出了一种名为MLDL的新框架，用于处理神经网络转换中的几何退化，实现基于流形的表示学习和流形数据生成。MLDL通过引入局部等距光滑先验约束到MRF Gibbs分布中，增强了矢量变换。实验证明MLDL在流形学习和流形数据生成方面具有显著优势。