新的DiffLift框架为拓扑神经网络学习图提升

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

研究人员开发了DiffLift，一个用于学习图提升到超图和胞复形的创新框架。这种端到端的方法使用学习到的顶点级潜在表示来识别和参数化候选高阶单元的分布以供包含。实验表明，DiffLift在图和节点分类基准测试中优于现有的提升方法，在静态提升方面取得了高达45%的提升。 AI

影响通过实现高阶结构的端到端学习，增强了图神经网络的表达能力。

排序理由该集群包含一篇详细介绍拓扑神经网络新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jorge Luiz Franco, Gabriel Duarte, Alexander Nikitin, Moacir Ponti, Diego Mesquita, Amauri H. Souza · 2026-08-04 04:00

Differentiable Lifting for Topological Neural Networks

arXiv:2608.01160v1 Announce Type: new Abstract: Topological neural networks (TNNs) enable leveraging high-order structures on graphs (e.g., cycles and cliques) to boost the expressive power of message-passing neural networks. In turn, however, these structures are typically ident…