Ein einfaches und skalierbares Graph Neural Network für große gerichtete Graphen

Die Knotenklassifikation ist eine der aktuell heißesten Aufgaben im Bereich der Graphenanalyse. Obwohl bestehende Studien verschiedene Knotendarstellungen in gerichteten und ungerichteten Graphen untersucht haben, haben sie die Unterschiede in deren Fähigkeit, graphische Informationen zu erfassen, übersehen. Um diese Limitation zu überwinden, untersuchen wir verschiedene Kombinationen von Knotendarstellungen (aggregierte Merkmale gegenüber Adjazenzlisten) sowie der Berücksichtigung der Kantenrichtung innerhalb eines Eingabegraphen (gerichtet gegenüber ungerichtet). Wir präsentieren die erste empirische Studie, die die Leistung verschiedener GNNs benchmarkt, die jeweils unterschiedliche Kombinationen aus Knotendarstellungen und Kantenrichtungsberücksichtigung verwenden. Unsere Experimente zeigen, dass keine einzelne Kombination stabil state-of-the-art-Ergebnisse auf allen Datensätzen erzielt, was darauf hindeutet, dass die Auswahl geeigneter Kombinationen je nach Datensatzeigenschaften entscheidend ist. Daraufhin schlagen wir eine einfache, aber umfassende Klassifikationsmethode namens A2DUG vor, die alle möglichen Kombinationen von Knotendarstellungen in gerichteten und ungerichteten Graphen nutzt. Wir zeigen, dass A2DUG stabil auf verschiedenen Datensätzen gut abschneidet und die Genauigkeit im Vergleich zu state-of-the-art-Methoden um bis zu 11,29 Prozentpunkte steigert. Um die Entwicklung neuer Ansätze zu fördern, stellen wir unseren vollständigen Code unter der MIT-Lizenz öffentlich zur Verfügung.