CliquePH：通过团图上的持续同调为图神经网络提供高阶信息

图神经网络已成为从业者处理图分类和节点分类等图学习任务的首选。然而，流行的图神经网络模型仍然难以捕捉高阶信息，即超越成对交互的信息。最近的工作表明，持续同调作为一种拓扑数据分析工具，可以用图神经网络原本无法捕捉的拓扑信息来丰富图神经网络。计算此类特征在维度 0（连通分量）和维度 1（环）时是高效的。然而，当涉及高阶结构时，其扩展性不佳，复杂度为 $O(n^d)$，其中 $n$ 是节点数，$d$ 是结构的阶数。在这项工作中，我们引入了一种新方法，该方法在仍然使用高效的低维持续同调算法的同时，提取图中高阶结构的信息。在标准基准数据集上，我们表明该方法可以使测试准确率提高高达 $31\%$。