【论文标题】Topological Graph Neural Networks 【作者团队】Max Horn，Edward De Brouwer，Michael Moor，Yves Moreau，Bastian Rieck，Karsten Borgwardt 【发表时间】2021/02/16 【机构】苏黎世联邦理工学院、瑞士生物信息学实验室、鲁汶大学 【论文链接】https://arxiv.org/pdf/2102.07835.pdf

【推荐理由】 本文出自苏黎世联邦理工学院、瑞士生物信息学实验室、鲁汶大学联合团队，作者基于 TDA 提出了一种可以融合到 GNN 中的层，可以利用持久同源性来融合图的全局拓扑信息，该层是可微的，可以学习图的不同拓扑表征。

图神经网络（GNN）是一种被用于解决图学习任务的强大架构。然而，研究者们已经证明，GNN 对突出的子结构（例如，环）是不敏感的。在本文中，作者提出了一种新的层——TOGL，它利用持久同源性来融合图的全局拓扑信息。TOGL 可以很容易地集成到任何类型的GNN 中，并且从图同构 Weisfeiler Lehman 测试的角度来看，TOGL 的表征能力要更强。使用 TOGL 层增强 GNN 可以在合成数据集（这些数据集可以由人类进行简单分类，但普通 GNN 无法对齐进行分类）和真实数据上得到良好的预测性能。

图 1：TOGL 层示意图。

内容中包含的图片若涉及版权问题，请及时与我们联系删除