Michael E. Mortenson - Geometric modeling-John Wiley & Sons (1997)

Vanishing and Finiteness Results in Geometric Analysis A Generalization of the Bochner Technique

关于微分几何的电子书，最新版本，经典著作，适合工学理学等领域

给出几何代数在理论物理中的应用

The goal of the Volume I Geometric Algebra for Computer Vision, Graphics and Neural Computing is to present a unified mathematical treatment of diverse problems in the general domain of artificial intelligence and associated fields using Clifford, or geometric, algebra. Geometric algebra provides a rich and general mathematical framework for Geometric Cybernetics in order to develop solutions, concepts and computer algorithms without losing geometric insight of the problem in question. Current mathematical subjects can be treated in an unified manner without abandoning the mathematical system of geometric algebra for instance: multilinear algebra, projective and affine geometry, calculus on manifolds, Riemann geometry, the representation of Lie algebras and Lie groups using bivector algebras and conformal geometry. By treating a wide spectrum of problems in a common language, this Volume I offers both new insights and new solutions that should be useful to scientists, and engineers working in different areas related with the development and building of intelligent machines. Each chapter is written in accessible terms accompanied by numerous examples, figures and a complementary appendix on Clifford algebras, all to clarify the theory and the crucial aspects of the application of geometric algebra to problems in graphics engineering, image processing, pattern recognition, computer vision, machine learning, neural computing and cognitive systems.

| | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： @misc { pytorch_geometric_temporal , author = { Benedek, Rozemberczki and Paul, Scherer and Yixuan, He and Oliver, Kiss and Nicolas, Collignon } , title = { {PyTorch Geometric Tempor

matlab最短代码geometric_ml 该存储库包含： Matlab代码（未维护） Python代码 将黎曼几何应用于机器学习。 构造黎曼度量。 计算最短路径。 拟合LAND模型 以下论文提出了大多数方法： “局部自适应正态分布”，G。Arvanitidis等。 等，NeurIPS 2016 G. Arvanitidis等人，“潜在空间奇数：关于深度生成模型的曲率”。 at。，ICLR 2018 G. Arvanitidis等人，“数据学习流形上的快速且鲁棒的最短路径”。 等，AISTATS 2019 该代码仅出于研究目的而发布。 如果您使用本代码库的某些部分，请引用相应的论文。

The active geometric shape model: A new robust deformable shape model and its applications ，原文及matlab代码实现

机械设计形位公差分析GD&T英文原版，为机械设计师提供的

在本文中，我们使用一个随时间变化的图快照序列组成的时间演化图来对许多现实世界的网络进行建模。我们研究了时间演化图中的路径分类问题，该问题在实际场景中有许多应用，例如，预测电信网络中的路径故障和预测近期交通网络中的路径拥塞。 为了捕捉时间依赖性和图结构动态，我们设计了一种名为 Long Short-Term Memory R-GCN (LRGCN) 的新型深度神经网络。LRGCN 将时间相邻图快照之间的时间依赖性视为与内存的特殊关系，并使用关系 GCN 共同处理时间内和时间间关系。我们还提出了一种新的路径表示方法，称为自注意路径嵌入（SAPE），将任意长度的路径嵌入到固定长度的向量中。通过在加利福尼亚的真实电信网络和交通网络上的实验，我们证明了 LRGCN 在路径故障预测方面相对于其他竞争方法的优越性，并证明了 SAPE 在路径表示上的有效性。