Aufwertende Nachrichtenübertragungsneuronale Netzwerk mit graphenursprünglichen Informationen

Nachrichtenübertragungs-Neuronale Netze (MPNNs) lernen die Darstellung graphenstrukturierter Daten basierend auf ursprünglichen graphischen Informationen, einschließlich Knotenmerkmale und Graphenstrukturen, und haben bei Aufgaben zur Knotenklassifikation bemerkenswerte Verbesserungen gezeigt. Allerdings ist die Ausdruckskraft von MPNNs durch den ersten Ordnung Weisfeiler-Leman-Test begrenzt, und ihre Genauigkeit lässt noch Verbesserungspotenzial offen. In dieser Arbeit wird untersucht, wie die Ausdruckskraft und Generalisierbarkeit von MPNNs theoretisch und empirisch durch eine vollständige Ausnutzung der ursprünglichen graphischen Informationen verbessert werden kann. Darüber hinaus wird ein neues GNN-Modell namens INGNN (INformation-enhanced Graph Neural Network) vorgeschlagen, das diese Erkenntnisse nutzt, um die Leistung bei der Knotenklassifikation zu steigern. Umfangreiche Experimente an synthetischen und realen Datensätzen belegen die Überlegenheit (durchschnittlicher Rang 1,78) unseres INGNN im Vergleich zu aktuellen State-of-the-Art-Methoden.