【导读】几何深度学习是当下的研究热点。关于GNN类有何进展？最近斯坦福CS224W课程上，来自DeepMind大牛Petar Veličković进行了关于几何深度学习报告，讲述几何深度学习下GNN的相关特性，值得学习!

几何深度学习的目标是在Erlangen项目的精神下将几何统一引入深度学习。它提供了一个共同的数学框架来研究最成功的神经网络架构，如CNNs、RNNs、GNNs和transformer，并提供了一个建设性的过程来将先前的知识融入到神经网络中，并以一种原理性的方式构建未来的架构。

报告目录内容：

1 高维空间学习难度 Learning in high dimensions is hard

2 对称，群组和不变性，Symmetries, Groups and Invariances

3 几何深度学习蓝图 The Blueprint of Geometric Deep Learning

4 及和深度学习5G。The “5G” of Geometric Deep Learning

5 图神经网络的几何深度视角 Geometric DL Perspective on Graph Neural Networks

6 排列等变换是GNN Permutation equivariant NNs are GNNs

7 The Fourier connection: CNNs and Spectral GNNs

8 The Group connection: Spherical CNNs

9 Geometric Graphs, Geodesics and Gauges

A Further resources