机构名称：
¥ 3.0
在图表上的表示是一个基本问题，在各种任务中可能至关重要。图形神经网络是图表学习的主要方法，其表示能力有限。因此，将高阶拓扑和几何信息明确提取并纳入这些模型可能是有益的。在本文中，我们提出了一种原则性的方法，以根据持续同源性理论提取图形的丰富连通性信息。我们的方法利用拓扑特征来增强图形神经网络的表示学习，并在各种节点分类和链接预测基准上实现最先进的性能。我们还探索了拓扑特征的端到端学习的选择，即将拓扑计算视为学习过程中可区分的操作员。我们的理论分析和实证研究为在图形学习任务中采用拓扑特征提供了见解和潜在指南。关键字：持续的同源性，拓扑数据分析，图形神经网络，图表学习，图形同构
使用局部拓扑特征增强图表学习
主要关键词
相关文件推荐
