SymGraph: Symbolische Graph-Lernmethode übertrifft herkömmliche GNNs

In einem bahnbrechenden Beitrag zur Graphverarbeitung präsentiert das Forschungsteam SymGraph, ein neues symbolisches Lernframework, das die Grenzen herkömmlicher Graph Neural Networks (GNNs) sprengt. Durch den Einsatz diskreter Strukturobjekten und topologischer Rollenaggregation bietet SymGraph eine deutlich höhere Ausdruckskraft als die klassische Message‑Passing‑Architektur.

GNNs sind in hochsensiblen Bereichen wie der Wirkstoffforschung unverzichtbar, doch ihre „Black‑Box“-Natur erschwert die Vertrauensbildung. Selbst erklärbare Varianten bauen meist noch auf dem traditionellen Message‑Passing‑Paradigma auf, das durch die 1‑Weisfeiler‑Lehman‑Grenze (1‑WL) in ihrer Ausdrucksfähigkeit limitiert ist und keine feinkörnige Interpretierbarkeit liefert.

SymGraph löst diese Probleme, indem es kontinuierliche Nachrichtenübertragung durch diskrete Strukturobjekten ersetzt. Durch die Kombination von struktureller Hashing‑Technik und rollenbasierter Aggregation überwindet das Modell die 1‑WL‑Hürde und erzielt damit eine theoretisch höhere Expressivität – ohne die Rechenlast differenzierbarer Optimierung.

Die umfangreichen Experimente zeigen, dass SymGraph nicht nur die Leistung bestehender selbsterklärbarer GNNs übertrifft, sondern auch die Trainingszeit um ein Vielfaches reduziert: Auf reinen CPUs werden 10‑ bis 100‑fach schnellere Trainingszeiten erreicht. Darüber hinaus generiert das System Regeln mit einer feineren semantischen Granularität, was neue Möglichkeiten für wissenschaftliche Entdeckungen und erklärbare KI eröffnet.

Mit SymGraph eröffnet sich ein neuer Ansatz für Graph‑Lernaufgaben, der sowohl die Leistungsfähigkeit als auch die Transparenz von Modellen signifikant steigert – ein bedeutender Fortschritt für die Zukunft der datengetriebenen Forschung.