Patrick Colm Audley

标准 Graph Neural Networks 于映射复杂文本归因时受结构性之制约：平坦欧几里得空间中之线性聚合必致语义漂移。欲忠实映射高维知识，须过渡至曲率语义流形，使几何本身承载关系结构。

欧德理逾三十年间构建科学分析管线——基因组学、卫星影像、跨洲高可用金融系统——其一贯之主线乃：表征必须于数学上忠于其底层几何，否则数据一旦离开开发集，可解释性即刻丧失。

吾近期开源一框架，借流形学习与谱分析，于高阶语义向量空间中发现涌现之知识图谱关系。初步证明、简要预览及 Python 代码库见于 paudley/nonlinear-semantic-graphs；驱动此设计之工作论文载于发表著作。

欧德理愿与专攻 Topological Data Analysis、Geometric Deep Learning 及 Knowledge Representation 之研究者与应用科学家相交——尤其从事测地线聚合或谱图理论之同仁——以推动此等思想落地于稳健之企业级部署。敬请于 LinkedIn 原帖评论，或直接联络。