图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

Jan, 2024

提出一种基于拓扑关系推断的新型局部拓扑模型，用于处理图分类和表征学习中超平滑和可被图扰动的问题，并在节点分类任务中实验验证其性能优于当前 14 种现有基线模型

Oct, 2021

图神经网络在各个领域取得了显著进展，但受到称为 1-Weisfeiler-Lehmann 测试的理论约束。尽管最新的高阶图神经网络可以克服这个限制，但它们通常集中于某些图的组成要素，如团或环。然而，我们的研究选择了一条不同的路线，侧重于路径，这在任何图中都是固有的。我们能够构建一个更一般的拓扑视角，并将它与其他拓扑领域的一些已有理论建立联系。有趣的是，在不对图的子结构作出任何假设的情况下，我们的方法在该领域超过早期的技术，达到了几个基准上的最先进性能.

Aug, 2023

提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

Mar, 2023

图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示，然而现有的方法忽视了高阶图子结构的重要潜在信息，本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制，提出了一种新的对比学习模式并引入了扩展持久性景观，实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。

Jun, 2024

基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

Mar, 2024

我们提出了一种被称为 Two-level GNN 的新型 GNN 框架，通过将子图级别信息与节点级别信息合并来克服现有 GNN 的局部置换不变性问题，并提出了一个基于动态规划算法的子图计数方法，实验证明 TL-GNN 优于现有 GNN，并实现了最先进的性能。

Jan, 2022

通过结合拓扑神经网络（TNNs）和持久同调（PH）的方法，构建了一种广泛的框架 TopNets，扩展了 GNNs / TNNs 和 PH 在空间设置中的应用范围，提高了简单消息传递网络的表达能力，并在抗体设计、分子动力学模拟和药物属性预测等各种任务中取得了良好的性能。

Jun, 2024

Topology-Informed Graph Transformer (TIGT) enhances discriminative power in detecting graph isomorphisms and overall performance of Graph Transformers, outperforming previous models in classifying isomorphism classes of graphs and across various benchmark datasets.

Feb, 2024

本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

Nov, 2019