研究人员引入了一个名为收缩同调（CH）的新框架，用于图学习，该框架解决了现有持久同调（PH）方法中的局限性。CH 利用收缩操作，在表达能力上与前向 PH 不同。该研究还提出了沙漏持久性，一种结合了包含和收缩的新描述符，以增强可学习性和稳定性。这些方法已通过高效、可微分的算法实现，并在图数据集上显示出实证改进。 AI
排序理由 该条目是 arXiv 预印本，详细介绍了图表示学习的新理论框架和算法。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
新的拓扑框架增强图神经网络学习
报道来源 [1]
-
Contraction and Hourglass Persistence for Learning on Graphs, Simplices, and Cells
Persistent homology (PH) encodes global information, such as cycles, and is thus increasingly integrated into graph neural networks (GNNs). PH methods in GNNs typically traverse an increasing sequence of subgraphs. In this work, we first expose limitations of this inclusion proce…