في ظل تطور تقنيات التعلم العميق، تُعاني النماذج الحالية من تحديات متزايدة في التعامل مع إشارات ذات أبعاد غير منتهية، مثل السلاسل الزمنية وتوزيعات الاحتمالات. لذلك، يعاني الباحثون من عدم وجود نظرية موحدة تلبي احتياجات هذه الإشارات المعقدة. لتجاوز هذه العقبة، تم تقديم إطار جديد للتعلم يعتمد على بنى هيلبرت.

تقوم الفكرة الأساسية على استخدام لابلاس الاتصال المرتبط بحزمة هيلبرت كعميل تلافيفي (convolutional operator)، مما يؤدي إلى تطوير فلاتر وشبكات عصبية تُعرف باسم "هيلب نتس" (HilbNets). وبالتالي، يمكن تنفيذ هذه الشبكات من خلال إجراء أخذ عينات من دورتين، حيث أن أخذ العينات من الحزمة يُنتج حزمة خلوية هيلبرت، وهي بنية تعميمية تشبه الرسم البياني وتحتوي على فضاءات ميزات هيلبرت وقوانين الربط بين الحواف.

من خلال هذه الأبحاث، ثبت أن اللابلاس الخلوي للحزمة يتقارب في الاحتمالية مع لابلاس الاتصال الأساسي مع زيادة كثافة أخذ العينات. تُعتبر هذه النتيجة تعميماً لمثالية سابقة حول تقارب اللابلاس البياني إلى اللابلاس على المانيفول دي. وفي المرحلة التالية، تم إلى تفكيك الإشارات وإثبات أن هيلب نتس القابلة للتطبيق تتقارب أيضاً مع الهياكل المستمرة الأساسية، مما يوفر اتساقاً للتعلم عبر أنماط مختلفة لنفس الحزمة.

تم اختبار إطار العمل هذا على مهام صناعية وواقعية، مما يوضح فعاليته. إن هذه النتائج تفتح الآفاق أمام التطبيقات المستقبلية وتوسع نطاق التعلم الجيومتري من خلال الاستفادة من خصائص الهياكل التقليدية في ظروف جديدة ومعقدة تتعلق بالإشارات ذات الأبعاد العالية.