Ця стаття представляє нові методи для геометричного глибокого навчання на неевклідових даних, зокрема зосереджуючись на многовидах. Вона пропонує структуру, яка використовує анізотропні дифузійні процеси та регуляризацію кривини для підвищення продуктивності нейронних мереж, що працюють у геометричних областях. Це дослідження має прямі та значні реальні застосування в таких областях, як аналіз 3D-форм, медична візуалізація (наприклад, аналіз поверхні мозку), комп'ютерна графіка та робототехніка, де дані за своєю суттю знаходяться на складних геометричних структурах. Методи пропонують покращену надійність та точність для таких завдань, як класифікація форм, сегментація та вилучення ознак.