GraphHull: Erklärbare Graphgenerierung mit Archetypen und lokalen Hüllen

Die neueste Veröffentlichung auf arXiv präsentiert GraphHull, ein generatives Modell für Netzwerke, das Erklärbarkeit und Genauigkeit vereint. Durch die Verwendung von konvexen Hüllen auf zwei Ebenen liefert das Modell klare, mehrstufige Erklärungen für die Struktur von Graphen.

Auf der globalen Ebene bilden die Ecken einer konvexen Hülle Archetypen, die jeweils einer reinen Community im Netzwerk entsprechen. Auf der lokalen Ebene wird jede Community durch eine prototypische Hülle verfeinert, deren Ecken repräsentative Profile darstellen und die spezifische Variation innerhalb der Community einfangen. Diese zweistufige Konstruktion ermöglicht es, die Position eines Knotens sowohl relativ zu den globalen Archetypen als auch zu den lokalen Prototypen zu interpretieren. Die Geometrie ist dabei bewusst gut definiert, und die lokalen Hüllen bleiben durch Konstruktion voneinander getrennt. Um Vielfalt und Stabilität zu fördern, setzt GraphHull principienbasierte Prioritäten wie determinante Punktprozesse und wird mittels MAP-Schätzung mit skalierbarem Subsampling angepasst.

Experimentelle Ergebnisse auf realen Netzwerken zeigen, dass GraphHull die mehrstufige Community-Struktur zuverlässig rekonstruiert und gleichzeitig in Aufgaben wie Linkvorhersage und Community-Erkennung konkurrenzfähige oder sogar überlegene Leistungen erzielt. Gleichzeitig liefert das Modell interpretable Vorhersagen, die die zugrunde liegenden Muster transparent machen.