본 논문은 그래프 구조 데이터의 레이블 예측을 위해, 데이터 부족으로 인한 과적합 문제를 해결하는 새로운 방법을 제시한다. 기존 그래프 신경망(GNN)의 한계를 극복하고자, 그래프 수준 입력을 사용하는 가우시안 프로세스(GP)를 단순 복합체(SC)로 확장하여, 엣지 레벨 속성과 고차원 단순 복합체에 대한 속성을 처리할 수 있도록 한다. 더 나아가, Hodge 분해를 고려하여 SC 표현을 증강함으로써, 구멍의 수와 같은 호몰로지 정보를 고려한다. 다양한 응용 분야에서 예측 성능 향상을 보이며, GP를 그래프 및 SC 수준 예측에 더 널리 사용할 수 있는 길을 제시한다.
