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
该论文提出了一种基于图卷积模型的方法，通过对组合 $k$- 维霍奇拉普拉斯算子的谱操作，实现对高维拓扑特征的学习，特别是距离每个 $k$- 单形形式化的最优 $k$- 阶同调生成器的距离，为同调定位提供了一种替代方法。
Oct, 2021
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
本研究提出了一种新型的 Simplicial Attention Networks (SAT) 以及一种签名注意机制，旨在解决目前 Simplicial Neural Networks (SNNs) 在计算效率和适应新结构方面的缺陷，并在图像和轨迹分类任务中表现优异。
Apr, 2022
针对复杂系统中的高阶交互作用，本论文提出了一种利用简单复合物的丰富数学理论的新方法，介绍了一种嵌入简单复合物中的高阶 Flower-Petals 模型，并引入了基于 FP Laplacians 的高阶图卷积网络 (HiGCN)，能够识别在不同拓扑尺度上的内在特征，通过可学习的图滤波器来量化高阶交互作用强度，实现了先进的表达能力，并在各种图任务上达到了最先进的性能。
Sep, 2023
基于随机游走和快速一维卷积的单纯复合神经网络学习结构（SCRaWl），在考虑到高阶关系的同时，通过调整考虑的随机游走的长度和数量来调节计算成本的增加，从而超越现有的消息传递单纯复合神经网络，并在真实数据集上进行了验证。
Apr, 2024
本篇研究提出了基于 CW 网络的一种消息传递方法，将 Simplicial Complexes 扩展为适应更加灵活的 Cell Complexes，并在分子图问题上证明了该模型优越性。
Jun, 2021
本文提出了一种新的基于数据的非线性 mixup 机制，为样本对及其标签提供不同的 mixup 功能，通过在公共潜在特征空间上投射图形数据并探索非线性数据驱动的 mixup 策略，结合凸聚类生成一个最佳的数据增强方法来提高图分类的性能。
Oct, 2022
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。