【几何深度学习（Geometric Deep Learning）】统一框架：GNN 与 GDL 的关系

1 引言

深度学习（Deep Learning，DL）自从卷积神经网络（CNN）在图像分类任务中大放异彩后，一直围绕 固定格点（2‑D/3‑D 网格）进行设计。随着数据类型的多样化——社交网络、分子结构、交通流量、推荐系统等——出现了大量非欧几里得结构的数据：图（Graph）、流形（Manifold）以及它们的变形与演化。为此，**几何深度学习（Geometric Deep Learning，GDL）**应运而生，它把传统 DL 的思想迁移到 可变拓扑、对称性约束以及 非欧几里得空间 上。

本文以 图神经网络（Graph Neural Network，GNN） 为核心框架，对 GDL 与传统 DL 的关系进行系统梳理，并深入剖析其理论基础与算法原理。我们将从归纳偏置、可解释性以及实际应用等角度展开讨论。

---

2 统一框架：传统 DL ↔ GDL

维度	传统深度学习	几何深度学习
数据结构	固定格点（二维/三维网格）	图、流形等非欧几里得结构
基础模型	CNN → 2D 网格卷积<br>RNN → 序列递归<br>