本研究提出了一种拓扑对比学习（TopoCL）方法，旨在解决时间序列表示学习中因数据增强引起的季节模式和时间依赖性扭曲问题。通过持久同调捕获数据的拓扑特征，TopoCL在多个任务中表现出色。

研究提出了一种名为TopER的新方法，通过简化持久同调来改进图嵌入的可解释性和可视化。TopER在分类和聚类任务中表现优异，并在多个基准数据集上优于现有方法，展示了其实用性。

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。

本文探讨了持久同调理论及其在数据分析中的应用，介绍了多种算法及其基准测试，强调了在高维噪声下的鲁棒性。研究表明，$k$ 最近邻图上的谱距离能有效检测细胞周期环，并提出了新的量子算法以提高计算效率。此外，利用机器学习框架提取持久同调，展示了在分类任务中的有效性。

本文探讨了持久同调在机器学习中的应用，特别是在分子结构分析和分类中的潜力。研究通过持久性图和持久性袋矢等方法，提高了对分子拓扑特征的识别能力，并在多个数据集上验证了其有效性。这些方法在预测分子性质方面表现优于传统技术。

研究者发现将持久同调整合到图神经网络中可以提高性能。他们提出了一种新颖的机制，利用持久同调将全局拓扑不变性注入到池化层中，从而提高了性能。实验结果表明，这种机制在几个流行的数据集上都有显著的性能提升。

研究人员发现将持久同调整合到图神经网络中可以提高性能。他们提出了一种新颖的机制，利用持久同调将全局拓扑不变性注入到池化层中，从而提高了性能。实验结果表明，这种机制在几个流行的数据集上都有显著的性能提升。

研究人员提出了一种新颖的拓扑图神经网络（TTG-NN），利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法。实验结果表明，TTG-NN在各种图基准数据上表现优于其他20种最先进的方法。

该文介绍了一种利用持久同调和机器学习进行数据分类的简单易用的流程，并在常见基准数据集上比较了不同的表示方法。通过最适合数据类型的过滤将持久图与数字数据关联起来，并使用网格搜索方法确定最佳表示方法和参数。