谈到几何深度学习时，就会想到由 Bronstein、LeCun 等学者撰写的《Geometric deep learning: going beyond Euclidean data》，该文章是几何深度学习领域的奠基性综述，核心是将欧氏空间中深度学习的核心思想，卷积、池化、层级特征学习推广到图、流形等非欧几何数据，解决了非欧数据无全局坐标、无平移不变性、卷积操作无法直接定义的核心问题。
一、几何深度学习的核心前提：非欧数据的几何基础与问题定义
先明确了 GDL 的研究对象是定义在非欧域上的函数还是信号，分为两类核心问题：
关键几何基础：拉普拉斯算子的核心作用
欧氏空间的卷积依赖傅里叶变换，而拉普拉斯算子是连接欧氏与非欧的核心：
- 拉普拉斯算子是自伴正定算子，其特征函数构成非欧空间的广义傅里叶基，特征值对应 “频率”，实现非欧空间的谱分析；
- 图或流形的拉普拉斯算子可刻画信号的平滑性（狄利克雷能量），低特征值对应平滑信号，高特征值对应高频细节，为非欧卷积提供了频率域的依据。
二、谱方法（Spectral Methods）：基于非欧傅里叶分析的卷积
谱方法是最早的非欧卷积定义方式，核心思路是借鉴欧氏卷积的傅里叶变换性质：欧氏卷积 = 傅里叶域逐元素相乘，非欧卷积则通过拉普拉斯算子的特征分解实现谱域相乘，是 GDL 的理论源头。
1. 核心思想
将非欧空间的信号f通过拉普拉斯特征基Φ投影到谱域，卷积操作转化为谱域的线性变换，再投影回空间域。
2. 代表性方法
（1）谱 CNN（Spectral CNN, SCNN）
- 首个严格定义的图卷积网络，直接基于上述谱域卷积公式，将 CNN 的卷积层替换为谱域卷积层，叠加非线性激活；
- 缺陷：① 特征分解计算复杂度O，无法处理大规模图；② 谱基依赖具体的非欧域，跨域泛化性差，不同图或流形的拉普拉斯特征基不同，训练的滤波器无法复用；③ 需保留全部特征基，参数数量随节点数增加而增长。
（2）带平滑谱乘子的谱 CNN
为解决 SCNN 的参数爆炸和过拟合问题，对谱滤波器做平滑性约束：
- 将谱乘子参数化为插值核的线性组合，仅学习少量插值系数，实现滤波器的频率域平滑；
- 平滑性对应空间域的局部性（由帕塞瓦尔恒等式，频率域平滑→空间域衰减），让滤波器仅对局部节点产生作用，接近欧氏 CNN 的局部卷积特性。
3. 谱方法的核心特点
- 优点：理论基础严谨，直接继承欧氏卷积的谱域思想，可刻画非欧信号的全局频率特征；
- 缺点：计算成本高、跨域泛化性差、依赖拉普拉斯特征分解，仅适用于固定域的非欧信号分析。
三、无谱方法（Spectrum-Free Methods）：摆脱特征分解的局部卷积
谱方法的核心瓶颈是拉普拉斯特征分解，无谱方法通过拉普拉斯算子的多项式近似，将谱域卷积转化为空间域的局部邻居聚合，彻底摆脱特征分解，成为目前图卷积的主流基础方法。
四、基于局部建图的方法（Charting-Based Methods）：面向多域的空间域卷积
谱方法和无谱方法主要适用于单一固定非欧域，而实际场景中常需处理多个不同的非欧域，基于局部建图的方法通过在非欧域的每个点构建局部欧氏坐标，将非欧卷积转化为局部欧氏坐标下的标准卷积，解决了跨域泛化性问题，是流形学习的核心方法。
五、空谱结合方法（Combined Spatial/Spectral Methods）：融合局部与全局特征
谱方法擅长刻画全局频率特征，空间域方法擅长刻画局部空间特征，空谱结合方法通过窗口傅里叶变换、小波变换将二者融合，兼顾局部性和全局频率特征，解决单一方法的局限性。
六、几何深度学习的配套操作：池化与层级特征学习
CNN 的成功依赖卷积 + 池化的层级特征学习，论文也将欧氏池化推广到非欧空间，形成了 GDL 的完整层级学习框架：
综上，几何深度学习方法体系，本质是几何特征 + 深度学习的融合：以拉普拉斯算子为几何核心，以卷积的泛化为算法核心，针对不同非欧数据类型和场景设计了四类卷积方法，成为后续所有 GDL 研究的理论起点和方法基础 。
