グラフ分類のための頻出部分グラフに基づく持続的ホモロジー

本論文は、持続的ホモロジーを活用してグラフ分類を改善するための新しいグラフフィルタリング手法である頻出部分グラフフィルタリング（FSF）を提案しています。既存の手法がより単純なフィルタリングに依存しているという制限に対処し、頻出部分グラフからのより豊かな特徴を組み込んでいます。論文では、FPHベースの機械学習モデルと、FPHをグラフニューラルネットワークと統合したハイブリッドフレームワークという2つの分類アプローチを提案しています。結果は、既存の手法と比較して競争力のある、または優れた精度を示しており、グラフ分析におけるトポロジー認識特徴抽出のためのFSFの可能性を強調しています。