如何理解欧几里得结构和拓扑结构

在看有关深度学习的一些论文的时候，总会看到一些这样的字眼“deep learning methods have the ability to solve the problem of network topology”（原话不是这样的），所以当时就在想传统方法不能解决拓扑结构，只能解决欧几里得结构，那这两个结构之间有什么区别呢？

我的理解是这样的，
欧几里得结构
从直观上来说就是一排一排的点整整齐齐的排在一起，你一眼看过去就知道谁在谁的前面，谁在谁的后面，谁在谁的左边这样。从矩阵的角度来说，只允许矩阵进行平移和旋转。

维基百科
欧几里得几何中给出的解释如下：

1. 从一点向另一点可以引一条直线。
2. 任意线段能无限延伸成一条直线。
3. 给定任意线段，可以以其一个端点作为圆心，该线段作为半径作一个圆。
4. 所有直角都相等。
5. 若两条直线都与第三条直线相交，并且在同一边的内角之和小于两个直角，则这两条直线在这一边必定相交。

拓扑结构
直观上说把拓扑结构想象成复杂网络中节点与节点之间的关系，一般会用邻接矩阵去描述节点，边之间的距离，但直接从邻接矩阵中我们无法得出点与点之间的空间关系，在离散数学里面我们用矩阵自乘来知道点和点之间隔了几跳，但同时，从矩阵的角度来说矩阵自乘就打乱了矩阵内部的结构，不再想是欧几里得结构那样，所表示的矩阵只能进行平移和旋转，这也成为了区别之一。