ATLAS: Graph‑Lernalgorithmus steigert Genauigkeit bei heterophilen Netzwerken

Der neue Ansatz ATLAS (Adaptive Topology‑based Learning at Scale) löst zwei zentrale Probleme moderner Graph Neural Networks (GNNs). Erstens sinkt die Genauigkeit von GNNs, wenn die zugrunde liegende Graphstruktur heterophil ist – also stark unterschiedliche Nachbarn verbindet. Zweitens begrenzt die iterative Feature‑Aggregation die Skalierbarkeit von GNNs auf große Graphen.

ATLAS greift auf eine mehrstufige Community‑Erkennung zurück. Durch das Extrahieren topologischer Informationen auf verschiedenen Auflösungen werden die Zugehörigkeiten der Knoten zu ihren jeweiligen Communities ermittelt und anschließend dem ursprünglichen Feature‑Vektor angehängt. Anstelle der klassischen Aggregation werden die erweiterten Vektoren dann in einem Mehrschicht‑Perzeptron (MLP) verarbeitet. Da MLPs in der Regel weniger rechenintensiv sind als GNNs, kann ATLAS ohne Sampling auf sehr großen Graphen eingesetzt werden.

In umfangreichen Experimenten über heterophile und homophile Graphen erzielt ATLAS eine vergleichbare oder sogar bessere Genauigkeit als etablierte Baselines. Besonders beeindruckend sind die Verbesserungen von bis zu 20 Prozentpunkten gegenüber GCN bei heterophilen Graphen mit negativem strukturellen Bias sowie 11 Prozentpunkten gegenüber einem reinen MLP bei homophilen Graphen. Die systematische Einbindung mehrerer Auflösungen der Community‑Features ermöglicht zudem eine erklärbare Modulation der Leistung in beiden Szenarien.