EMP：用于图表示学习的有效多维持久性

基于摘要分析。本文研究图表示学习中的多参数拓扑信息表征问题，提出 Effective Multidimensional Persistence（EMP）框架，通过同时改变多个尺度参数，将单参数持久同调（PH）摘要扩展为多维表示，用于图分类。 机制上，PH 通过追踪结构随尺度参数变化的过程描述数据拓扑。作者针对单一过滤参数难以同时刻画多个相关因素的问题，将描述函数纳入 EMP 分析，构建 EMP Landscapes、Silhouettes、Images 和 Surfaces，并以矩阵或数组形式输出，便于与不同机器学习模型衔接。摘要未说明各尺度参数与描述函数的具体定义，也未交代分类器、训练损失及计算开销。 作者报告为 EMP 摘要提供了理论保证与稳定性证明，并在多个图分类基准数据集上改善了多种单参数 PH 描述符，优于所比较的前沿方法。摘要未提供数据集名称、数据划分、评价指标或数值，因此不能据此判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证，稳定性结论所依赖的扰动条件也需查阅正文。 平台推测（待验证）：若 EEG 被表示为功能连接图，EMP 的多参数过滤机制可能用于联合刻画连接强度与另一种节点或边属性，检验其是否比单参数拓扑摘要保留更多判别信息。可复用部分是拓扑摘要构建与矩阵化输出，需改造部分是 EEG 图构建、过滤参数及描述函数设计。低信噪比、连接估计误差、跨被试差异和通道配置变化都可能使拓扑结构不稳定，小样本下也可能无法利用更复杂的表示。一个可证伪的小实验是在同一 EEG 数据集、相同跨被试划分与分类器下，对比单参数 PH 摘要和 EMP，并检验其对连接扰动的敏感性。以上不是本文已验证的 EEG 结果；已有 EEG 相关工作尚未检索确认。