Nov, 2023

利用持久同调超越持久同调

PDF
TL;DR通过引入颜色分离集的新概念，我们解决了通过持久化同调识别属性图的问题，并建立了区分图的必要和充分条件。基于这些理论洞察力，我们提出了一种称为 RePHINE 的方法，它有效地结合了顶点和边的持久化同调，证明了其在学习图的拓扑特征方面比标准持久化同调更强大，并在多个图分类基准测试中取得了优势。
message-passing graph neural networksweisfeiler-leman testpersistent homologycolor-separating setstopological features
发现论文，激发创造
  • 增强图池化与持久同调

    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

  • 网络的持久同调：方法与应用

    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

  • PHLP：链接预测的唯一持久同调 —— 可解释的特征提取

    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

  • PHG-Net：基于持久同调引导的医学图像分类

    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

  • 拓扑神经网络的持续性、等变性、连续性

    通过结合拓扑神经网络（TNNs）和持久同调（PH）的方法，构建了一种广泛的框架 TopNets，扩展了 GNNs / TNNs 和 PH 在空间设置中的应用范围，提高了简单消息传递网络的表达能力，并在抗体设计、分子动力学模拟和药物属性预测等各种任务中取得了良好的性能。

    Jun, 2024

  • PF-GNN: 可微分粒子滤波法的通用图表示近似

    通过引导学习过程的精确同构求解器技术，我们的算法使消息传递图神经网络具有通用性，通过从根到叶子节点的搜索树中采样多个路径，并结合粒子滤波更新来学习更具辨别性的表示，从而在运行时间仅线性增加的情况下，在同构检测的合成基准和真实世界数据集上始终优于领先的图神经网络模型。

    Jan, 2024

  • 基于持久同调的链路预测：交互视角

    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

  • 图神经网络的细粒度表达能力

    该研究探讨了基于图神经网络的表达能力，提出了一种连续化的方法来反映图之间的相似程度并给出了各种拓扑特征的理论框架来描述基于树距离的图表达能力。

    Jun, 2023

  • 利用持久同调改进自监督分子表示学习

    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

  • 关于适用性的注释可解释人工智能方法应用于机器学习模型基于持续同调提取的特征

    使用拓扑数据分析的输出作为机器学习算法的输入进行数据分析已经得到广泛研究。我们探索理解 AI 方法在拓扑数据分析和机器学习流程中的潜在应用，应用于金属 - 有机骨架中预测气体吸附问题，并展示其能够产生有启示意义的结果。

    Oct, 2023