【几何深度学习Geometric Deep Learning】跨模态几何融合

跨模态几何融合（Cross‑Modal Geometric Fusion）

目标：在同一框架下，将 图 (Graph)、点云 (Point Cloud) 与 序列 (Sequence / 时序数据) 等多种非欧式（Non‑Euclidean）数据类型联合建模，并实现统一的表示与推理。

文章结构

1. 引言 & 背景
2. 核心挑战
3. 理论基础：几何不变性、流形对齐与投影
4. 通用表示框架（Heterogeneous Graph + Multi‑Modal Transformer）
5. 关键算法细节
   • ① 图建模 → GNN / Graph Attention
   • ② 点云处理 → PointNet++, DGCNN, Point Transformer
   • ③ 序列建模 → TCN、Transformer、Graph‑Temporal Fusion
6. 跨模态融合策略
   • ① 对齐与投影（Geometric Alignment Loss）
   • ② 嵌入空间共享 (Shared Latent Space)
   • ③ 多尺度注意力与跨模态交互
7. 实验与应用案例
8. 展望与研究方向

---