提出了一种新的方法，利用拓扑和几何信息，仅仅使用统计数据和图神经网络就能对嵌入的单纯复合体进行无细分和等距不变分析。利用合成网格数据集证明了该方法的有效性。

Feb, 2023

本文介绍了如何使用符号嵌入来计算和可视化单纯复合体的社区结构，研究了综合性数据和来自大脑的拓扑表示的社区结构，并展示了如何利用高阶交互作用来改善聚类检测并评估高阶交互作用对个体节点的影响。

Jun, 2019

利用差分形式在 R^n 空间中创建单纯形的表示，提供了可解释性和几何一致性，实现了全局逼近，并超越现有的基于消息传递的神经网络，在利用具有节点特征作为坐标的几何图中获取信息方面有显著性能优势。

Dec, 2023

我们提出了一种新的方法来估计图的拓扑，并识别三节点的相互作用，通过结构化的图 Volterra 核来学习二阶简单复形 (SCs)，通过使用群规范和掩膜矩阵求解图和 SC 推理的数学公式，实验结果表明我们的方法在合成和真实数据上具有优越性能。

Dec, 2023

在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。

Dec, 2020

基于 Hodge 分解的对比自监督学习方法通过编码特定数据的不变性，利用简单神经网络生成具有适当光谱特性的正对比实例，从而获得反映数据谱特性的嵌入空间。与监督学习技术相比，我们在两个标准边流分类任务中取得了卓越的性能，强调了采用谱视角进行高阶数据的对比学习的重要性。

Sep, 2023

通过线性和非线性混合机制对降维复合体进行数据增强，提出一种凸聚类混合方法来处理多个降维复合体之间的数据驱动关系，实现了对现有数据的合成插值，并在简单复合体分类的合成和实际数据集上进行了方法验证。

Sep, 2023

通过使用基于简单嵌入的模型上的迭代学习，我们改进了深度网络的组合泛化能力，并通过基于科尔莫哥洛夫复杂性的组合性分析展示了这种改进在视觉任务和实际分子图预测任务中的有效性。

Oct, 2023

该研究介绍了单纯神经网络（SNNs），作为图神经网络在特殊拓扑空间，即单纯复合体上的一般化形式。这种新的神经网络结构，能够处理包括向量场或 n 重合作网络等更多元的数据，也定义了适当的卷积方式，并在合著关系复合体的数据丢失方面进行测试。

Oct, 2020

介绍拓扑数据分析及其对于复杂系统研究的潜在意义，讨论当前方法的优缺点并总结相关实证研究，同时指出未来研究中需要解决的方法学挑战。

Jul, 2018