EMP：用于图表示学习的有效多维持久性框架

基于摘要分析。本文研究图表示学习中如何联合刻画多个尺度参数下的拓扑结构，提出 Effective Multidimensional Persistence（EMP）框架，将已有单参数持久同调（PH）摘要扩展为多维表示，以供机器学习模型使用。 核心机制：PH 通过追踪尺度参数变化时拓扑结构的演化来描述数据。针对单参数分析难以同时反映多个相关因素的问题，EMP 同时变化多个尺度参数，并将描述符函数纳入分析，形成 EMP Landscapes、Silhouettes、Images 和 Surfaces 等摘要。这些表示采用矩阵或数组形式，便于接入不同机器学习模型。摘要未提供过滤函数的具体定义、多参数构造步骤、表示维度或下游模型训练方式，不能据此判断其实现成本。 理论与实验：作者报告为 EMP 摘要提供了理论保证和稳定性证明，并在多个基准数据集的图分类任务中增强了多种单参数 PH 描述符，优于所比较的前沿方法。摘要未列出数据集名称、数据划分、指标、数值及对照方法；实验协议、消融及统计信息尚未验证，稳定性结论适用的扰动类型与假设也需查阅全文。 平台推测（待验证）：若 EEG 被表示为功能连接图，EMP 的多尺度拓扑摘要可能用于考察不同连接阈值与另一图属性尺度下的结构变化，但这不构成 EEG 或 BCI 有效性的证据。可复用部分是拓扑摘要及其向量化表示；需另行确定 EEG 构图方法、过滤参数和跨被试归一化方式。低信噪比、通道配置差异及小样本可能使拓扑特征不稳定或增加过拟合风险。一个可检验的小实验是在固定 EEG 构图流程与跨被试划分下，使用相同分类器比较单参数 PH 与 EMP，并在训练划分内选择参数，检验增益及其对连接扰动的敏感性。已有 EEG 相关工作尚未检索确认。