Topologischer Bias in heterogenen Graph Neural Networks: Neue Debiasing‑Methode

Graph Neural Networks (GNNs) haben sich als leistungsstarke Werkzeuge zur Analyse von graphstrukturierten Daten etabliert. Bei semi‑supervised Lernaufgaben zeigen sie jedoch häufig eine verzerrte Leistung, die eng mit der Topologie des Graphen verknüpft ist. Dieser Bias gilt als wesentliche Hürde für die Weiterentwicklung von GNNs.

Während die Forschung bisher vor allem homogene GNNs untersucht hat, fehlt ein systematischer Blick auf heterogene Graph Neural Networks (HGNNs). In der vorliegenden Arbeit wird dieser Forschungslücke begegnet, indem zunächst die unterschiedlichen Meta‑Beziehungen eines heterogenen Graphen durch Meta‑Weighting der Adjazenzmatrix differenziert werden.

Auf Basis der gewichteteten Matrix wird anschließend PageRank in Kombination mit vorhandenen Knotenslabels verwendet, um eine Projektion zu erzeugen. Diese Projektion ordnet Knoten Werte zu, die stark mit der Modellleistung korrelieren – sowohl bei Datensätzen mit als auch ohne intra‑typische Verbindungen. Damit wird die universelle Existenz von topologischem Bias in HGNNs eindrucksvoll demonstriert.

Zur Beseitigung dieses Bias wird ein Debiasing‑Modul vorgeschlagen, das die Differenz der projizierten Werte nutzt und zusammen mit der ursprünglichen Graphstruktur für kontrastives Lernen einsetzt. Experimente an drei öffentlichen Datensätzen zeigen, dass die Methode die Leistung von HGNNs signifikant steigert und den Bias wirksam reduziert.