本文介绍了关于数据分析中的持久同调理论和计算方法，同时提供了当前的算法和实现的基准测试，最终得出了最适合不同类型数据集的算法和实现。

Jun, 2015

基于持久化同调的新方法用于链接预测，通过分析图的拓扑信息解释性能提高的原因。该方法不仅利用角度跳子图和新的节点标签方法来更好地区分图的信息，还结合已有的图神经网络模型，在各项基准数据集上均实现了优异的性能。

Apr, 2024

最近，有一个新兴的趋势是将持久同调（PH）整合到图神经网络（GNNs）中，以丰富其表达能力。然而，将 PH 特征简单地插入 GNN 层中总是导致边际改善且解释性不高。在本文中，我们研究了一种新颖的机制，利用 PH 将全局拓扑不变性注入到池化层中，这受到了 PH 中过滤操作自然地对齐图池化的观察的启发。这种方式下，粗化图中的消息传递沿着持久池化拓扑进行，从而提高了性能。在实验中，我们将这一机制应用于一系列图池化方法，并观察到在几个流行的数据集上一致且显著的性能提升，证明了其广泛适用性和灵活性。

Feb, 2024

本文研究了持久性同调在分子结构方面的应用，通过创建编码分子形状的持久性同调特征（PHFs），成功地简化了化学问题，提高了机器学习的效率以及信息密度，为今后类似领域的研究提供了借鉴。

Apr, 2023

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

基于持久同调的自监督学习在分子表示学习中具有广泛的应用潜力，可以通过不同的数据视角、距离保持的稳定性和灵活性结合领域知识，提高嵌入空间的表示能力和预测性能，同时对非常小的数据集也能获得显著的改进。

Nov, 2023

介绍了信息网络中不同的网络测量学方法，重点关注了一种数学工具 —— 持久同调在计算拓扑学中的应用，综述了持久同调应用在网络挖掘问题解决中的不同算法和应用，并强调了最新方法的重要性和潜力。

Jul, 2019

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

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

介绍了一种新颖稳定的持久性袋矢：PD 的矢量化表示，实现了与机器学习的无缝整合，并在比其他方法更短的时间内取得了最先进的性能。

Dec, 2018