有一些涉及图和流形（有时统称为非欧几里得数据）的问题，例如分子设计和生成、药物重新定位、社交网络分析、脑成像、假新闻检测、推荐系统、中微子检测、计算机视觉和图形和形状（例如手或脸）完成或生成（生成模型）。

几何深度学习（应用于图形和流形的深度学习）的主要好处是您不会丢失图形（或流形）中编码的信息，否则您可能会丢失，因为您需要转换图形（或流形）转换为等效的向量表示，您可以将其输入现有的 CNN 或其他标准神经网络。

请注意，您不能直接将通常的卷积运算应用于图形，因为例如，图形没有节点相对位置的概念。此外，请注意，图网络与 CNN 几乎没有关系，即使它们有时被称为图卷积网络。