VS-Graph: Hyperdimensionales Lernen für schnelle, genaue Graphklassifikation

Die Klassifikation von Graphen ist ein zentrales Problem in Bereichen wie Molekülvorhersage und Materialdesign. Während Graph Neural Networks (GNNs) durch Message-Passing‑Techniken starke Ergebnisse liefern, sind sie wegen ihres hohen Rechenaufwands oft nicht skalierbar und schwer auf ressourcenbeschränkten Geräten einsetzbar. Hyperdimensional Computing (HDC), auch als Vector Symbolic Architecture (VSA) bekannt, bietet eine leichtgewichtige, neurowissenschaftlich inspirierte Alternative, doch bisher konnten HDC‑Methoden die Leistungsfähigkeit von GNNs nicht erreichen.

Mit dem neuen Ansatz VS‑Graph wird die Lücke zwischen Effizienz und Ausdruckskraft geschlossen. Das System nutzt einen Spike‑Diffusion‑Mechanismus, um topologieabhängig Knoten zu identifizieren, und ein Associative Message Passing, das Mehr‑Hop‑Nachbarschaften vollständig im hochdimensionalen Vektorraum aggregiert. Dabei entfällt die Notwendigkeit von gradientenbasierten Optimierungen oder Backpropagation, was die Komplexität drastisch reduziert.

In Standard‑Benchmarks wie MUTAG und DD übertrifft VS‑Graph die bisherige HDC‑Baseline um 4‑5 % und erreicht gleichzeitig die Genauigkeit moderner GNN‑Modelle. Die Trainingsgeschwindigkeit wird um bis zu 450‑fach erhöht, und die Methode bleibt auch bei einer stark reduzierten Hypervektor‑Dimensionalität von D = 128 robust. Diese Ergebnisse zeigen, dass VS‑Graph sowohl leistungsstark als auch extrem ressourcenschonend ist.

Die Kombination aus hoher Genauigkeit, schneller Verarbeitung und geringer Speicher‑ und Rechenanforderung macht VS‑Graph zu einer vielversprechenden Lösung für die Echtzeit‑Analyse von Graphdaten auf Edge‑Geräten und in ressourcenbeschränkten Umgebungen. Der Ansatz eröffnet neue Möglichkeiten für die praktische Anwendung von Graphklassifikation in Bereichen, in denen bisher Skalierbarkeit und Effizienz ein Hindernis darstellten.