Sign ist keine Heilmethode: Multiset-zu-Multiset-Nachrichtenweitergabe zur Lernung auf heterophilen Graphen

Graph Neural Networks (GNNs) haben als leistungsstarkes Modellierungs- und Inferenzverfahren, insbesondere für homophile graphenstrukturierte Daten, erhebliche Aufmerksamkeit erlangt. Um GNNs auch in heterophilen Graphen effektiv einzusetzen, bei denen benachbarte Knoten unterschiedliche Labels oder Merkmale aufweisen, wird weit verbreitet die Signed Message Passing (SMP)-Methode eingesetzt. Allerdings fehlt es bisher an einer umfassenden theoretischen und empirischen Analyse der Grenzen von SMP. In dieser Arbeit decken wir einige potenzielle Fallstricke von SMP auf und präsentieren entsprechende Lösungsansätze. Zunächst identifizieren wir zwei zentrale Einschränkungen von SMP: eine unerwünschte Repräsentationsaktualisierung bei mehrschrittigen Nachbarn sowie eine Anfälligkeit gegenüber dem Oversmoothing-Problem. Um diese Herausforderungen zu überwinden, schlagen wir eine neuartige Nachrichtenübertragungsfunktion vor, die als Multiset to Multiset GNN (M2M-GNN) bezeichnet wird. Unsere theoretischen Analysen und umfangreichen Experimente zeigen, dass M2M-GNN die genannten Limitationen von SMP effektiv reduziert und im Vergleich eine überlegene Leistung erzielt.