基于持久同调理论提取图的局部拓扑特征以增强图表示学习

图上表示学习是基础且关键问题，可在 various 任务中发挥重要作用。图神经网络作为图表示学习的主导方法，在其表示能力上受限。因此，显式提取并纳入这些模型的高阶拓扑和几何信息是有益的。本文提出了一种基于持久同调理论从图中提取丰富连通性信息的原则方法。我们的方法利用拓扑特征来增强图神经网络的表示学习，在 various 节点分类和链接预测基准测试中实现了最先进的性能。我们还探讨了拓扑特征端到端学习的选项，即在学习期间将拓扑计算视为可微分算子。我们的理论分析和实证研究为在图学习任务中运用拓扑特征提供了见解和潜在指导方针。