论文原文：Graph-in-Graph(GiG):Learninginterpretablelatentgraphsinnon-Euclideandomainforbiologicalandhealthcareapplications-ScienceDirect论文全名：Graph-in-Graph(GiG):Learninginterpretablelatentgraphsinnon-Eucli

神经网络在过去的十年里取得了巨大的成功，然而早期的神经网络变体只能使用规则结构的数据或欧几里得数据(Euclideandata)来实现，而现实世界中的大量数据具有底层的非欧几里得(Non-Euclidean

欧式空间的本质性，是其平面性.一句话总结：欧几里得空间就是在对现实空间的规则抽象和推广（从n<=3推广到有限n维空间）。欧几里得几何就是中学学的平面几何、立体几何，在欧几里得几何中，平行线任何位置的间距相等。而中学学的几何空间一般是2维，3维（所以，我们讨论余弦值、点间的距离、内积都是在低纬空间总结的），如果将这些低维空间所总结的规律推广到有限的n维空间，那这些符合定义的空间则被统称为欧几里得空间

而GNN主要是为了解决Non-Euclidean结构的特征向量学习，

本文是笔者在学习Geometricdeeplearning的过程中的一些笔记和想法，较为零散，仅仅当作自娱自乐，如有谬误，勿怪勿嗔，请在评论区联系笔者讨论指出，谢谢。总的来说，数据类型可以分为两大类，分别是：欧几里德结构数据(EuclideanStructureData)以及非欧几里德结构数据(Non-EuclideanStructureData)，接下来谈自己对这两类数据的认识。欧几里德结构样本