CliquePH：通过团图的持久同调为图神经网络提供高阶信息
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨了图形分类中的持久同调方法，提出了一种基于拓扑特征的图神经网络，显著提升了分类性能。同时，研究引入了新算法和模型，解决了动态图中的计算难题，并在多个基准数据集上展示了优越表现。
❓
Q&A
什么是持久同调，它在图神经网络中的作用是什么？
持久同调是一种拓扑数据分析方法，用于提取图的结构特征。在图神经网络中，它增强了模型的表达能力，帮助更好地学习图的拓扑特征。
CliquePH提出了哪些新算法来提升图分类性能？
CliquePH提出了基于可学习的实值滤波函数的持久同调计算方法和新型局部拓扑模型，显著提升了图分类性能。
如何解决动态图中的持久同调计算难题？
通过提出动态神经道克网络（DNDN），结合线图变换和双重边融合机制，有效解决了动态图中的持久同调计算难题。
CliquePH在多个基准数据集上的表现如何？
CliquePH在多个基准数据集上展示了优越的分类性能，优于14种基线模型。
RePHINE方法的主要优势是什么？
RePHINE方法结合了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。
如何通过持久同调增强图卷积和注意力模块？
通过引入新颖的方法，结合数据的局部拓扑性质，增强了图卷积和注意力模块的表达能力，而不增加计算复杂度。
🏷️
