张量视图拓扑图神经网络
内容提要
本文汇总多项图神经网络研究：TOGL结合全局拓扑与持久同调提升分类性能；GTN生成新图结构以学习节点表示；拓扑引导超图变换网络建模高阶关系；TGNN利用未标记数据进行半监督图分类；TensorGCN融合异构信息用于文本分类；局部拓扑模型缓解过平滑问题；张量高阶超图网络降低复杂度。此外还包括GNN设计流程综述、计算机视觉应用综述，以及动态图学习框架TGN。
延伸解读
拓扑信息如何增强图神经网络
文章汇总的多项研究显示，将全局拓扑、持久同调或局部拓扑关系引入GNN，可提升分类性能并缓解过平滑问题。例如TOGL结合持久同调，局部拓扑模型在节点分类中优于14种基线。这些方法共同指向一个趋势：单纯依赖邻域消息传递可能不足，补充拓扑视角有助于保留图的结构本质。
从生成结构到高阶关系建模
GTN能够生成新的图结构并识别未连接点间的有用连接，拓扑引导超图变换网络则建模高阶关系。两者都试图突破原始图结构的限制，前者通过图转换学习更优连接，后者通过超图捕捉多节点关联。这表明图学习正从固定结构向可学习、可表达的结构演进。
半监督与异构信息融合的实践价值
TGNN利用未标记数据，通过双视图协作学习提升半监督图分类；TensorGCN则融合不同图的异构信息用于文本分类。这些工作回应了现实场景中标签稀缺和图结构多样的挑战，强调互补视图与跨图信息协调，为有限监督下的图任务提供了可借鉴的思路。
综述与动态图框架的定位
文章还收录了GNN设计流程综述、计算机视觉应用综述以及动态图学习框架TGN。综述类工作系统梳理组件变体、应用分类与开放问题，适合作为入门或研究定位参考；TGN则针对动态图的演化特征学习，提示读者关注静态图方法在时序场景中的局限性。
Q&A
TOGL 是如何把全局拓扑信息融入图神经网络的？
TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。
GTN 除了学习节点表示，还能做什么？
GTN 是一种图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTN 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。
TGNN 如何利用未标记数据提升半监督图分类性能？
TGNN 是一种新型半监督框架，旨在利用图拓扑导出的特征以及充分利用未标记数据，通过消息传递模块和图内核模块来探索来自互补视图的图结构信息，同时通过交换实例相似性知识来协作学习标记和未标记数据的结构信息，最终在各个公共数据集上取得了良好的性能。
TensorGCN 在文本分类中有什么特点？
TensorGCN 框架基于图卷积神经网络进行文本分类，结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调，实现了在不同种类图中集成异构信息的有效方式。
局部拓扑模型主要解决图神经网络中的什么问题？
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。
张量高阶超图网络如何降低模型复杂度？
提出了一种基于张量的高阶超图神经网络模型，它利用高阶外积特征传递实现了对高阶信息的有效提取，并通过部分对称 CP 分解方法降低了模型复杂度；在两个三维视觉对象分类数据集上进行的实验结果表明了其性能优越性。
