通过持续同调方法，将拓扑学特征与深度学习特征相结合，用于多类别分类任务，对 MNIST 数据集进行分析和评估，发现拓扑信息可以提高神经网络的准确性。

Nov, 2023

提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法，不需要地面真实标签，通过三个实验展示了该方法的有效性，将这种显式先验知识嵌入到神经网络分割任务中是最有益的。

Oct, 2019

该论文研究神经网络层内部如何保留拓扑特征。使用拓扑数据分析技术，计算了一个简单前馈神经网络的层表征在类克莱因瓶扭结构变化下的拓扑特征。在较早层，网络看起来近似于同胚，但在较深层时数据的拓扑结构被明显更改，导致持久同调无法计算这些特征。但在具有双射激活函数的网络中，类似的拓扑特征似乎可以更持久地存在。

Jul, 2022

通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

Mar, 2024

本文介绍了一种将拓扑先验知识显式纳入基于深度学习的分割的新方法，该方法利用拓扑数据分析中的持久同调的概念来捕捉分割结果的高级拓扑特征，并展示了其在心脏 MR 图像分割中提高分割性能的案例，同时保持像素精度。

Jan, 2019

该研究提出了一种基于扩展持久同调的拓扑特征，以编码连接节点的多跳路径的丰富的结构信息，并提出了一种图神经网络方法，优于不同基准的现有技术。此外，该研究还提出了一种更高效地计算扩展持久性图的算法，可以普遍应用于加速图学习任务中的许多其他拓扑方法。

Feb, 2021

本文提出了一种新颖的输入层技术，可以输入拓扑特征的签名到深度神经网络，并在训练过程中学习任务最优的表示方法，分类实验结果表明此技术的多功能性和优越性。

Jul, 2017

提出了一个新的机器学习框架，利用神经网络学习适应性过滤，在点云数据中提取坚持同调，并通过神经网络架构实现同调的等变性。实验结果表明了该框架在几个分类任务中的有效性。

Jul, 2023

我们提出了一种名为 PHG-Net 的方法，利用持久同调技术来探索医学图像分类中的拓扑特征，通过轻量级的 PH 模块将拓扑特征与卷积神经网络或 Transformer 结合，实现综合特征提取和融合，从而在目标分类任务中显著改善了现有方法。

Nov, 2023

使用可持续同调应用于拓扑学于机器学习，包括深度学习。该研究提出了一种可微拓扑层，该层基于水平集过滤和边缘过滤计算持续同调。该层在数据重建或机器学习模型权重的规范化，构建构成深度生成网络输出的损失函数以包括拓扑先验，以及对使用持久性特征训练的深度网络进行拓扑对抗攻击等三种应用方面具有创新性。代码公开可用，有望促进深度学习和其他梯度基础应用中的持久同调的使用。

May, 2019