arXiv 该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制，提出采用上积（cup）与下积（cap）乘积，形式化了 Cup and Cap Topological Neural Network（CCNN）这一拓扑深度学习架构，用于在考虑数据中多体交互（如三角形）的情况下学习基于节点的变量（0-上链），并在 TopoBench 数据集上验证其性能，显示其相对于其他单纯复形神经网络具有竞争力。
该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制，提出采用上积（cup）与下积（cap）乘积，形式化了 Cup and Cap Topological Neural Network（CCNN）这一拓扑深度学习架构，用于在考虑数据中多体交互（如三角形）的情况下学习基于节点的变量（0-上链），并在 TopoBench 数据集上验证其性能，显示其相对于其他单纯复形神经网络具有竞争力。
该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制，提出采用上积（cup）与下积（cap）乘积，形式化了 Cup and Cap Topological Neural Network（CCNN）这一拓扑深度学习架构，用于在考虑数据中多体交互（如三角形）的情况下学习基于节点的变量（0-上链），并在 TopoBench 数据集上验证其性能，显示其相对于其他单纯复形神经网络具有竞争力。
该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制，提出采用上积（cup）与下积（cap）乘积，形式化了 Cup and Cap Topological Neural Network（CCNN）这一拓扑深度学习架构，用于在考虑数据中多体交互（如三角形）的情况下学习基于节点的变量（0-上链），并在 TopoBench 数据集上验证其性能，显示其相对于其他单纯复形神经网络具有竞争力。