Ableitung aus Referenzen mit Unterschieden für semi-supervised Knotenklassifikation auf Graphen

Nach der Anwendung von Deep Learning auf graphische Daten sind Graph Neural Networks (GNNs) in den letzten Jahren zur dominierenden Methode für die Knotenklassifizierung in Graphen geworden. Um Knoten vordefinierten Labels zuzuweisen, übernehmen die meisten GNNs die end-to-end-Strategie des Deep Learning, bei der Knotenmerkmale als Eingabe dienen und die Labels bereits klassifizierter Knoten für das überwachte Lernen genutzt werden. Allerdings nutzen diese Ansätze zwar vollständig die Knotenmerkmale und deren Beziehungen, behandeln jedoch die Labels separat und ignorieren dabei die strukturelle Information dieser Labels. Um Informationen über die Struktur der Labels zu nutzen, wird in dieser Arbeit ein Verfahren namens 3ference vorgestellt, das aus Referenzen mit Unterschieden schließt. Konkret prognostiziert 3ference das Label eines Knotens anhand der Merkmale dieses Knotens, kombiniert mit den Merkmalen und Labels seiner relevanten Nachbarn. Durch die zusätzliche Information über die Labels relevanter Knoten erfasst 3ference Muster der Label-Übergänge zwischen Knoten, wie spätere Analysen und Visualisierungen aufzeigen. Experimente an einem synthetischen Graphen sowie an sieben realen Graphen belegen, dass dieses Wissen über Label-Assoziationen 3ference ermöglicht, präzise Vorhersagen zu treffen – und zwar mit weniger Parametern, weniger vorklassifizierten Knoten und unterschiedlichen Label-Mustern im Vergleich zu herkömmlichen GNNs.