Weisfeiler–Lehman 그래프 커널은 많은 그래프 분류 작업에서 경쟁력 있는 성능을 보인다. 그러나 그 하위트리 특징은 연결된 성분과 사이클과 같은 위상적 특징을 포착하지 못한다. 이러한 특징을 추출하기 위해, 우리는 전파된 노드 레이블 정보를 활용하여 무가중치 그래프를 거리 공간으로 변환한다. 이를 통해 지속적 호몰로지(persistent homology)를 이용해 얻은 위상 정보를 하위트리 특징에 보완할 수 있게 된다. 이는 위상 데이터 분석에서 나온 개념이다. 본 연구에서 제안하는 방법은 Weisfeiler–Lehman 하위트리 특징의 일반화로 공식화되며, 뛰어난 분류 정확도를 나타내며, 특히 사이클 정보를 포함함으로써 예측 성능이 크게 향상된다.