Jenseits der Homophilie mit Graph Echo State Networks

Graph Echo State Networks (GESN) haben bereits ihre Wirksamkeit und Effizienz bei der Graphklassifikation gezeigt. Bei der halbüberwachten Knotenklassifikation tritt jedoch das Problem der Überglättung in end-to-end trainierten tiefen Modellen auf, was zu einer Verzerrung hin zu Graphen mit hoher Homophilie führt. Erstmals evaluieren wir GESN bei Knotenklassifikationsaufgaben mit unterschiedlichen Grad an Homophilie und analysieren dabei auch den Einfluss des Reservoir-Radius. Unsere Experimente zeigen, dass Reservoir-Modelle im Vergleich zu vollständig trainierten tiefen Modellen, die spezielle Variationen im architektonischen Bias implementieren, eine bessere oder vergleichbare Genauigkeit erzielen können, wobei sich dies zugleich durch eine höhere Effizienz auszeichnet.