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。

本文提出了西格玛流模型，用于对黎曼流形上的数据进行结构化标记预测。通过引入时间变化参数化映射，西格玛流展示了其作为非线性几何偏微分方程的有效性，并在实验中显示出其表达能力和预测性能。这一工作为深度学习中的结构化预测提供了新的几何设计原则。

本研究探讨了机器学习在黎曼流形上的应用和最优输运方法的研究，提出了卡尔曼-哈达玛德流形上的分片瓦砾斯坦距离，并探索了在其他几何空间的应用。

该研究论文探讨了在已知非欧几里德几何特性的数据上，机器学习方法在黎曼流形上的应用以及最优输运方法在该领域的研究。研究提出了在卡尔曼 - 哈达玛德流形上的分片瓦砾斯坦距离，并探索了该方法在其他几何空间的应用。

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。