CliquePH：通过团图的持久同调为图神经网络提供高阶信息

提出了一种基于可学习的实值滤波函数的持久同调计算方法，建立了理论基础。

基于扩展持久同调的拓扑特征编码了连接节点的多跳路径信息，提出的图神经网络方法优于现有技术。

引入新型局部拓扑模型，解决图分类中的超平滑和可被图扰动的问题，实验验证其性能优于14种基线模型。

提出RePHINE方法，结合顶点和边的持久化同调，证明其在学习图的拓扑特征方面比标准持久化同调更强大。

通过引入新颖的方法增强图卷积和注意力模块，提出更精细化的架构，提升表达能力而不增加计算复杂度。

研究将持久同调整合到图神经网络中，提出新机制将全局拓扑不变性注入池化层，显著提升性能。

引入graphcodes，基于持久同调理论的多尺度摘要，证明其在分类准确性上优于最先进方法。

解决动态有向图中持久同调的计算难题，提出动态神经道克网络（DNDN），在动态图分类任务中表现出色。