Sep, 2024

CliquePH：通过团图的持久同调为图神经网络提供高阶信息

HTML
PDF
TL;DR本研究解决了图神经网络在捕捉高阶信息方面的不足，提出了一种新方法，利用高效的低维持久同调算法提取图中的高阶结构信息。实验结果表明，该方法在标准基准数据集上测试准确率提高了最高31%，具有显著的潜在影响。
发现论文，激发创造
  • 图滤波学习

    本文提出一种学习图形分类问题中与图形结构相关的数据的方法，通过一个基于可学习的实值滤波函数计算上持久同调，并建立了持久同调计算的理论基础。实证研究表明，这种读取操作技术优于之前的技术，尤其是对于图形连接结构对学习问题有意义的情况。

    May, 2019

  • 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

  • 图上的拓扑关系学习

    提出一种基于拓扑关系推断的新型局部拓扑模型，用于处理图分类和表征学习中超平滑和可被图扰动的问题，并在节点分类任务中实验验证其性能优于当前14种现有基线模型

    Oct, 2021

  • 利用持久同调超越持久同调

    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。

    Nov, 2023

  • 通过持久局部同调层的代数拓扑网络

    利用代数拓扑学，引入了一种新颖的方法来增强图卷积和注意力模块，通过结合数据的局部拓扑性质。

    Nov, 2023

  • 图神经网络的同态计数：基础方面的研究

    图神经网络是一种用于学习图上不变函数的架构。本研究证明了现有方法中存在的不足，并提出了一种更精细化的方法，通过整合目标模式中所有结构的同构计数，实现了更加具有表达能力的架构，而不增加额外的计算复杂度。我们在标准基准数据集上进行了一系列理论和实证验证。

    Feb, 2024

  • 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

  • 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

  • Graphcode: 基于图神经网络的多参数持久同调学习

    我们引入了graphcodes，这是一个基于持续同调理论的数据集的拓扑特征的多尺度摘要。它处理沿着两个实值比例参数过滤的数据集。我们描述了使用图神经网络集成图编码的管道，并证明graphcodes在各种数据集上实现了比最先进方法更好的分类准确性。

    May, 2024

  • 动态神经道克网络：在动态有向图中近似持久同调

    本研究解决了在动态有向图中应用持久同调的计算难题。提出的动态神经道克网络（DNDN）采用创新的线图变换方法，捕捉动态边缘之间的邻域关系，结合双重边融合机制，使结果符合道克复形的双重性原则。实验表明，DNDN不仅能有效近似动态道克滤波的结果，还在动态图分类任务中表现出色。

    Aug, 2024