ASEHybrid: Geometrie entscheidet über Leistung von GNNs – Homophilie reicht nicht aus

Neues Forschungsergebnis zeigt, dass die Struktur von Graphen in Graph Neural Networks (GNNs) nicht allein durch Homophilie bestimmt wird. Stattdessen liefert die Label‑Informativeness – die gegenseitige Information zwischen benachbarten Knotenlabels – ein präziseres Maß dafür, wann die Graphstruktur tatsächlich hilfreich ist.

Die Autoren haben ein einheitliches theoretisches Rahmenwerk entwickelt, das die Zusammenhänge zwischen curvature‑gesteuertem Re‑Wiring, Positionsgeometrie und Label‑Informativeness herstellt. Auf dieser Basis wurde die praxisorientierte Architektur ASEHybrid konzipiert, die Forman‑Krümmung und Laplacian‑Positionskodierungen nutzt.

Die Analyse liefert eine notwendige und hinreichende Bedingung für den Nutzen geometriebewusster GNNs: Verbesserungen gegenüber reinen Feature‑Baselines sind möglich, wenn die Graphstruktur mehr labelrelevante Information als die Knotenfeatures trägt. Theoretisch wird gezeigt, dass die angepasste Homophilie und Label‑Informativeness die spektrale Dynamik von Label‑Signalen unter Laplacian‑Glättung bestimmen. Zudem wird bewiesen, dass die degree‑basierte Forman‑Krümmung die Ausdruckskraft nicht über den ein‑dimensionalen Weisfeiler–Lehman-Test hinaus erhöht, sondern lediglich den Informationsfluss neu strukturiert. Für den Re‑Wiring‑Prozess werden Konvergenz‑ und Lipschitz‑Stabilitätsgarantien geliefert.

Empirisch wurde ASEHybrid auf den heterophilen Datensätzen Chameleon, Squirrel, Texas, Tolokers und Minesweeper getestet. Durch gezielte Ablationsstudien konnte die Bedeutung von Krümmung und Positionskodierung nachgewiesen werden, was die theoretischen Erkenntnisse bestätigt und die praktische Relevanz der Methode unterstreicht.