本研究提出了一种新方法——测地线集成梯度（GIG），旨在解决集成梯度法在某些情况下的错误归因问题。GIG通过将输入空间视为黎曼流形，沿测地线整合梯度，实验结果表明其在解释性方面优于现有方法。

本文探讨了在黎曼流形上应用变分贝叶斯方法的扩展，提出了一种新算法，表现优于现有方法。同时介绍了Pymanopt工具箱用于流形优化，发展了核方法处理非欧几里得空间数据，并提出了基于流形的回归预测方法。此外，研究展示了Manifold Diffusion Fields方法在流形上学习生成模型及其在隐私保护中的应用。

本文提出了一种基于黎曼流形的神经网络模型，应用于人体动作识别和知识图谱。通过对称正定矩阵构建图神经网络，展示了其在节点和图分类任务中的优越性能。同时，研究介绍了高维映射方法和批量归一化算法，在多个视觉分类任务中取得了良好效果。

本文提出了一种高斯平滑最优输运框架，解决了维数诅咒问题，并在信息科学中提供了新思路。研究了机器学习在黎曼流形上的应用，提出了基于最优传输的跨语言对应模型，展示了其在无监督翻译中的有效性，同时探讨了不同领域的最优输运问题及其优化方法。

该研究提出了一种基于黎曼流形的新型图神经网络架构，并开发了可扩展的算法来模拟图的结构特性。实验证明双曲GNNs在基准数据集上有显著改进。

本文介绍了Manifold Diffusion Fields（MDF）方法，用于学习在黎曼流形上定义的连续函数的生成模型。MDF利用谱几何分析的见解，在流形上定义了内在坐标系统。该方法使用显式参数化表示函数，允许在流形上采样连续函数，并对流形的刚性和等距变换是不变的。实证结果表明，MDF能更好地捕捉函数分布，具有更好的多样性和保真度。

该文介绍了一种解决正半定和对角块小标识矩阵约束问题的新算法，利用低秩解和黎曼流形上的光滑优化问题的秩约束版本，具有优势。

该论文提出了一种在黎曼流形上进行等变消息传递的新框架，利用坐标无关的特征场表示数值特征，并通过优化特征空间的度量来最优地保留主丛的原始度量，从而得到与向量丛相关的等变扩散过程。

本文介绍了费舍尔-瑞奥信息几何的概念，将参数空间赋予费舍尔信息度量可以自然地产生一个黎曼流形。文章探讨了在椭圆分布框架中使用这些几何工具的实际用途，包括协方差矩阵估计的黎曼优化、内在克拉默-瑞奥界限以及使用黎曼距离的分类。

Manifold Diffusion Fields（MDF）是一种用于学习定义在黎曼流形上的连续函数的生成模型。该方法利用谱几何分析的见解，在流形上定义了一种内在坐标系统，并使用显式参数化来表示函数。实验结果表明，MDF可以更好地捕捉这些函数的分布，具有更好的多样性和保真度。