该论文提出了一种用于从分类器的内存中提取每个类别的印象的数据无关方法，通过一种基于显著性驱动的可视化方法展示了深度学习分类器在训练数据中提取的判别特征，帮助提高生成图像的置信度。
Jul, 2020
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
本研究介绍了一种利用拓扑和几何数据分析技术来推断临床和非临床文本的两个深度学习分类模型中的突出特征的方法，并通过概率度量距离获取诊断模型决策信息的稳定性来证明这一方法的可行性。
May, 2023
我们开发了一种通过最适合数据类型的过滤将持久图与数字数据关联起来的流程，使用网格搜索方法确定最佳表示方法和参数，并在常见基准数据集上比较不同的表示方法，这是利用持久同调和机器学习进行数据分类的简单易用的流程的第一步，同时为了解为什么在给定数据集和任务的情况下，一对（过滤，拓扑表示）优于另一对。
Sep, 2023
提出概念为基础的方法可帮助我们解释人工神经网络的决策，介绍了一个理论框架，可以定义和澄清概念提取和重要性评估两个步骤，并尝试解决解释性中的一个关键问题：如何有效地识别以类似共享策略分类的数据点组成的簇。
Jun, 2023
通过离散拓扑学和微分几何的概念，我们提出了一种从复杂点云中提取节点级拓扑特征的新方法，并验证了这些拓扑点特征在合成和真实数据上的有效性以及其对噪声的鲁棒性。
Jun, 2024
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
本文提出了一种基于持久图的核方法，通过该方法可以控制持久性的效应并在数据分析中折算噪声拓扑特征。该方法还提供了一种快速逼近技术，并在几个实际问题中得到了应用。
Jun, 2017
本文主要研究神经网络在 3D 数据中的可解释性和稀疏性，提出了一种基于边缘和角点的视觉显著性方法并成功地在 Voxception-ResNet（一种基于体素的分类网络）上实现了参数精简.
Jun, 2020
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