GESC-Modell revolutioniert Graph Neural Networks bei heterophilen Strukturen
Ein neues Verfahren namens Gauge‑Equivariant Graph Network mit Self‑Interference Cancellation (GESC) verspricht, die Leistung von Graph Neural Networks (GNNs) auf heterophilen Graphen deutlich zu verbessern. Während herkömmliche GNNs bei stark heterophilen Strukturen oft an ihre Grenzen stoßen, nutzt GESC eine interferenzbasierte Aggregation, die selbstreplizierende Signale abschwächt und dadurch die Konsistenz der Phaseninformationen erhöht.
