P^2GNN: Zwei Prototypensätze steigern Leistung von Graph Neural Networks

Graph Neural Networks, die auf Message Passing basieren, haben in den letzten Jahren große Aufmerksamkeit gewonnen, weil sie komplexe Aufgaben wie Empfehlungs‑ und Betrugserkennung lösen können. Sie stoßen jedoch auf zwei zentrale Hindernisse: Erstens verlassen sie sich stark auf lokale Nachbarschaften und berücksichtigen kaum globale Graph‑Informationen. Zweitens gehen sie von einer starken Homophilie zwischen verbundenen Knoten aus, was in verrauschten lokalen Umgebungen zu Problemen führt.

Um diese Schwächen zu überwinden, wurde das Plug‑and‑Play-Verfahren $P^2$GNN entwickelt. Dabei werden Prototypen genutzt, um die Nachrichtenweitergabe gezielt zu optimieren. Die Prototypen erfüllen zwei Rollen: Sie fungieren als universell zugängliche Nachbarn für alle Knoten, wodurch ein globaler Kontext geschaffen wird, und sie dienen als Cluster‑Anker, an die Nachrichten ausgerichtet werden, was ein Rauschunterdrückungseffekt erzeugt.

Die Methode ist für sämtliche Message‑Passing‑GNNs einsetzbar. In umfangreichen Experimenten wurden 18 Datensätze – darunter proprietäre E‑Commerce‑Daten und offene Open‑Source‑Sammlungen – auf Aufgaben der Knotenempfehlung und Knotenkategorisierung getestet.

Die Ergebnisse zeigen, dass $P^2$GNN die in der Industrie eingesetzten Modelle in E‑Commerce‑Anwendungen übertrifft und auf den offenen Datensätzen den besten durchschnittlichen Rang erzielt. Qualitative Analysen bestätigen, dass sowohl die Erweiterung des globalen Kontexts als auch die Reduktion von Rauschen in lokalen Nachbarschaften die Leistung signifikant steigern.

Zusammenfassend bietet $P^2$GNN einen einfachen, aber wirkungsvollen Ansatz, um die Leistungsfähigkeit von Graph Neural Networks in verschiedensten Anwendungsbereichen nachhaltig zu verbessern.