GeoMoE: Mixture-of-Experts mit curvature‑gesteuertem Routing für Graphen

Graphdaten sind von Natur aus komplex und zeigen oft stark unterschiedliche topologische Strukturen, die sich schwer in einem einzigen Riemannischen Raum abbilden lassen. Traditionelle Ansätze, die ein einzelnes Modell für alle Knoten verwenden, stoßen hier an ihre Grenzen.

Die neue Methode GeoMoE (Geometric Mixture‑of‑Experts) löst dieses Problem, indem sie mehrere spezialisierte Experten – jeweils in unterschiedlichen Riemannischen Räumen – kombiniert. Dabei nutzt GeoMoE die Ollivier‑Ricci‑Krümmung (ORC) als intrinsisches geometrisches Prior, um die Zusammenarbeit der Experten zu steuern. Ein graph‑sensitives Gating‑Netz weist jedem Knoten individuelle Gewichtungen zu, die durch einen curvature‑gesteuerten Ausrichtungsverlust reguliert werden, sodass die Routing‑Entscheidungen sowohl interpretierbar als auch geometrisch konsistent bleiben.

Zusätzlich wird ein curvature‑bewusstes kontrastives Ziel eingeführt, das positive und negative Paare anhand ihrer Krümmungs‑Konsistenz bildet. Dieses Ziel fördert die geometrische Diskriminierbarkeit der erlernten Repräsentationen und stärkt die Fähigkeit des Modells, unterschiedliche graphische Muster zu unterscheiden.

In umfangreichen Tests auf sechs Standard‑Graph‑Datensätzen hat GeoMoE die Leistung der führenden Baselines übertroffen. Die Ergebnisse zeigen, dass die Kombination aus geometrischer Priorisierung, adaptivem Routing und kontrastivem Lernen einen bedeutenden Fortschritt im Graph‑Representation‑Learning darstellt.