edGNN: Eine einfache und leistungsstarke GNN für gerichtete beschriftete Graphen

Die Fähigkeit eines Graph Neural Networks (GNN), sowohl die Graphentopologie als auch die Graphenlabels zu nutzen, ist grundlegend für die Erstellung diskriminativer Knoten- und Grapheneinbettungen. Aufbauend auf früheren Arbeiten zeigen wir theoretisch, dass unser Modell für gerichtete beschriftete Graphen, edGNN, genauso leistungsfähig ist wie der Weisfeiler-Lehman-Algorithmus für Graphisomorphie. Unsere Experimente bestätigen unsere theoretischen Ergebnisse und belegen, dass Graph Neural Networks effektiv für Inferenzprobleme auf gerichteten Graphen mit Knoten- und Kantenlabels eingesetzt werden können. Der Quellcode ist unter https://github.com/guillaumejaume/edGNN verfügbar.