حققت التعلم العميق اختراقًا أداءً ملحوظًا في عدة مجالات، وأبرزها التعرف على الكلام، معالجة اللغة الطبيعية، ورؤية الحاسوب. وبشكل خاص، تنتج هياكل الشبكات العصبية المتشابكة (CNN) حاليًا أفضل الأداء في مجموعة متنوعة من مهام تحليل الصور مثل اكتشاف الأشياء والتعرف عليها. ركزت معظم أبحاث التعلم العميق حتى الآن على التعامل مع البيانات ذات الهيكل الإقليدي (Euclidean-structured) بـ 1D، 2D، أو 3D مثل الإشارات الصوتية، الصور، أو الفيديوهات. مؤخرًا، ازداد الاهتمام بالتعلم العميق الهندسي (geometric deep learning)، الذي يحاول تعميم طرق التعلم العميق إلى البيانات ذات الهيكل غير الإقليدي مثل الرسوم البيانية والسطوح (graphs and manifolds)، مع مجموعة متنوعة من التطبيقات من مجالات تحليل الشبكات، العلوم الاجتماعية الحاسوبية، أو الرسوميات الحاسوبية. في هذا البحث، نقترح إطارًا موحدًا يسمح بتعميم هياكل الشبكات العصبية المتشابكة إلى المجالات غير الإقليدية (الرسوم البيانية والسطوح) ويتعلم الخصائص المحلية الثابتة والتركيبية الخاصة بالمهمة. نوضح أن العديد من طرق CNN غير الإقليدية المقترحة سابقًا في الأدبيات يمكن اعتبارها حالات خاصة من إطارنا. نختبر الطريقة المقترحة على مهام قياسية من مجالات تحليل الصور والرسوم البيانية والأشكال ثلاثية الأبعاد ونظهر أنها تتفوق باستمرار على النهج السابقة.