Neues Verfahren: Unüberwachtes Node-Embedding ohne Homophilie‑Annahme

In der Welt der Graphenanalysen gewinnt das unüberwachte Lernen von Knoteneinbettungen immer mehr an Bedeutung. Ziel ist es, aussagekräftige Repräsentationen zu erzeugen, ohne auf gelabelte Knoten zurückgreifen zu müssen. Traditionell wird hierfür die Graphkonvolution eingesetzt, die Informationen aus benachbarten Knoten zusammenführt. Doch bei Graphen, die nicht homophil sind – also bei denen Nachbarn oft unterschiedliche Eigenschaften besitzen – kann diese Technik zu stark vereinheitlichten Embeddings führen.

Um diesem Problem zu begegnen, hat ein neues Verfahren namens FUEL (Feature‑centric Unsupervised Embedding Learning) entwickelt. FUEL lernt adaptiv, wie stark die Graphkonvolution genutzt werden soll, indem es die Ähnlichkeit innerhalb von Knotengruppen erhöht und die Trennung zwischen verschiedenen Gruppen verbessert. Da die eigentlichen Klassen unbekannt sind, nutzt FUEL die Merkmale der Knoten, um Cluster zu bilden, die als Proxy‑Klassen fungieren.

Die Autoren haben FUEL auf 14 Benchmark‑Datensätzen getestet und dabei 15 etablierte Basismethoden verglichen. Das Ergebnis: FUEL erzielt in allen Fällen die besten Leistungen und setzt damit neue Maßstäbe für unüberwachtes Knoteneinbettung in Graphen mit unterschiedlichen Homophilie‑Graden. Dieses Ergebnis unterstreicht die Bedeutung einer flexiblen, feature‑zentrierten Herangehensweise beim Lernen von Graphrepräsentationen.