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。

本文综述流形学习与函数逼近研究，主要内容包括：提出在未知流形上扩展函数的深度学习算法，误差与导数数量成正比；发展适应未知分布的算法；处理机器人学习中的非欧几里德流形数据；证明避免维数灾难的逼近定理；在黎曼流形上高效学习分布；近似高维数据流形几何并用于对抗训练；用复制法分析泛化性能；提出流形密度函数验证流形学习；Distance Learner提升分类边界与鲁棒性；无监督框架寻找训练样例。

该文综述黎曼流形与测地线在机器学习中的应用，涵盖基于多项式混沌扩展Kriging的贝叶斯参数推断、量子动力学模拟、MCMC采样、主切子空间流形学习、重心子空间PCA推广、鲁棒子空间恢复、深度生成模型几何分析、Grassmann流形算法及对称性解缠等研究。

该文综述了流形学习与图神经网络结合的研究，包括基于黎曼流形的阿尔茨海默病分析、半监督图像分类、测地线卷积网络和等变消息传递等框架，应用于形状分析、大脑成像与点云分类，提升了性能与效率。

该文综述了基于神经常微分方程与黎曼流形的生成模型研究，涵盖神经流动流形、等变消息传递、等变图神经网络及GAINS分析框架，旨在提升密度估计、鲁棒性与流体建模等任务性能。

本文综述基于分数的生成模型（SGM）的研究进展：提出无需训练的SGM及高效最近邻评分估计器，在消费级CPU上达到与神经SGM相当的采样速度；将SGM扩展到黎曼流形（RSGMs），用于地球与气候球形数据；提出潜在空间变分自编码器框架LSGM，提升生成效率与稳定性；在2-Wasserstein距离上给出收敛性保证并分析不同前向过程的影响；将SGM应用于条件生成、不平衡二分类、表格数据过采样及多尺度动力学采样，并提出预测校正方案以保证反向过程收敛。

该文汇总多项流形学习研究：改进黎曼流模型用于高维分布学习与QCD密度模拟；基于核的多线性逼近提升动态MRI重建效率；利用Grassmann流形估计非刚性运动目标的3D形状；以自编码器结合图拉普拉斯正则化改进3D点云去噪；给出高斯随机流形投影的紧凑误差界；提出近似数据流形几何及对抗训练方法；提出基于Metropolis抽样的去噪方案；设计自适应邻域算法用于降维与离群点检测；通过流形保持亲和力学习提升人员再识别精度。

该文综述黎曼流形上主成分分析的推广研究，涵盖重心子空间与BSA优化AUV准则、流形值泛函数据的内在PCA及渐近性质、稳健PCA的低秩矩阵非凸优化、基于子黎曼几何与主切子空间的流形学习与表面重构，以及CA-PCA曲率校准、紧凑自编码器去噪、分布式稳健优化、邻域特征分解降维、轨迹感知主切流形框架和图正则稳健PCA等方法。

本文综述了拉格朗日方法在多领域的扩展应用：将欧几里得情形推广到黎曼流形约束优化；提出新乘数更新法以解决安全强化学习中的超调振荡；用于图像恢复约束问题；提出“代理拉格朗日”处理非凸非可微分类约束；用笛卡尔坐标加乘子提升精度与数据效率百倍；以随机增广拉格朗日正则化深度网络；用图神经网络预测乘子加速分支定界；提出无模型学习框架处理未知目标与约束；用增广拉格朗日结合小批量训练提升效率；借对偶框架改进背包问题的约束满足。

本文综述黎曼流形图神经网络研究，涵盖曲率图生成对抗网络（以连续黎曼流形逼近离散图结构并生成负样本，保留拓扑特性、应对异质性）、自监督混合曲率GNN、自适应黎曼连续学习算法RieGrace、洛伦兹图卷积网络LGCN，以及测地线卷积网络和Motif-CNN等，实验均优于现有方法。

该文综述多项图表示学习研究：SINCERE在共同进化黎曼流形上建模序列交互；CONGREGATE利用异质曲率空间进行对比图聚类；RieGrace实现自适应黎曼图持续学习；另有方法结合图拓扑与空间几何学习非欧嵌入；自监督对比与动态模型结合提升样本效率；NRI无监督推断组件交互；改进InfoNCE防止同类排斥；CSRNs结合RNN与UserCF做新闻推荐；SINE稀疏兴趣建模；PHGR在Poincaré球中建模序列与层次信息。

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。