Neues GNN-Modell nutzt Nachbarschaftskontext für bessere Graphdarstellung
Graph Neural Networks (GNNs) sind heute unverzichtbar für die Analyse relationaler Daten. Klassische GNNs lassen sich in drei Hauptvarianten einteilen: konvolutional, attentional und message‑passing. Während die message‑passing‑Variante sehr ausdrucksstark ist, berücksichtigt sie in der Regel nur die Merkmale des Mittelpunktknotens und jedes Nachbarknotens einzeln. Dadurch bleibt die wertvolle Kontextinformation, die im gesamten lokalen Nachbarschaftsbereich liegt, ungenutzt, was die Fähigkeit zur Erkennung komplexer Beziehungen einschränken kann.
