Forman‑Ricci‑Krümmung bekämpft Over‑Squashing in Graph Learning

Graph Neural Networks (GNNs) haben sich als äußerst leistungsfähig erwiesen, wenn es darum geht, aus relationalen Daten zu lernen. Sie nutzen Knoteneigenschaften und Kantendaten, während sie die Symmetrien der Graphstruktur bewahren. In vielen realen Systemen – etwa in sozialen Netzwerken oder biologischen Interaktionsgraphen – treten jedoch komplexe, höherdimensionale Wechselwirkungen auf, die mit einfachen Kanten nicht adäquat beschrieben werden können.

Das aufkommende Feld der Geometric and Topological Deep Learning (TDL) reagiert darauf, indem es Methoden entwickelt, die höhere Ordnung nutzen. Ein zentrales Konzept dabei ist das „Lifting“, bei dem die Datenrepräsentation von einem einfachen Graphen zu einer reichhaltigeren Topologie transformiert wird, bevor ein GNN eingesetzt wird.

In dieser Arbeit wird ein strukturelles Lifting vorgestellt, das die Forman‑Ricci‑Krümmung verwendet. Diese Krümmung definiert eine kantenbasierte Netzwerkcharakteristik, die aus der Riemannschen Geometrie abgeleitet ist. Sie macht sowohl lokale als auch globale Eigenschaften eines Graphen sichtbar, etwa die „Backbones“ – robuste Strukturen, die Hauptgemeinschaften verbinden. Diese Backbones lassen sich optimal als Hyperkanten darstellen, die Informationsflüsse über große Entfernungen hinweg modellieren.

Durch die Einbindung der Forman‑Ricci‑Krümmung adressiert das Verfahren das Problem des Over‑Squashing, bei dem bei der Nachrichtenweitergabe über lange Distanzen und Engpässe Informationen stark verzerrt werden. Die vorgeschlagene Methode reduziert diese Verzerrung, verbessert die Signalübertragung und ermöglicht damit effektivere Lernprozesse in Graph Neural Networks.