基于频繁子图的持久同调用于图分类

本文介绍了一种新的图过滤方法，即基于频繁子图的过滤（FSF），通过利用持久同调来改进图分类。它解决了现有方法依赖于更简单的过滤的局限性，通过结合来自频繁子图的更丰富特征。本文提出了两种分类方法：基于FPH的机器学习模型和将FPH与图神经网络集成的混合框架。结果表明，与现有方法相比，其准确性具有竞争力或更优越，突出了FSF在图分析中进行拓扑感知特征提取的潜力。

• •提出了用于图分类的频繁子图过滤（FSF）。
• •介绍了用于图分类的FPH-ML和FPH-GNNs。
• •FSF与现有方法相比提高了性能。
• •与GNN的混合框架显示出显著的提升。