Neue Studie enthüllt klare Ausdrucks-Hierarchie für GNN-basierte Entitätserkennung

Eine neue Arbeit, veröffentlicht auf arXiv (2603.27154v1), legt die bislang unbekannte Hierarchie der Ausdruckskraft von Graphen-Neuronalen Netzwerken (GNN) für die Entitätserkennung in Master‑Data‑Management‑Systemen dar. Die Autoren zeigen, welche minimalen MPNN‑Architekturen für verschiedene Matching‑Kriterien tatsächlich ausreichen, und vermeiden damit unnötigen Rechenaufwand.

Im Fokus stehen bipartite Graphen, die Entitätennodes mit ihren Attributwerten verbinden. Durch die Einführung von Co‑Reference‑Prädikaten wie Dup_r (zwei Entitäten gleichen Typs teilen mindestens r Attribute) und dem Zyklus‑Prädikat Cyc_ℓ für Szenarien mit Entität‑Entität‑Kanten, wird die Komplexität der Aufgaben klar strukturiert. Für jedes Prädikat werden präzise Grenzen nachgewiesen: graphische Paare, die von jeder MPNN ohne die notwendige Anpassung nicht unterschieden werden können, und explizite, minimal tiefe MPNNs, die das Prädikat zuverlässig berechnen.

Ein zentrales Ergebnis ist die deutliche Trennung zwischen der Erkennung eines einzelnen gemeinsamen Attributs und der Erkennung mehrerer gemeinsamer Attribute. Letztere erfordert eine nicht‑lokale Identitätskorrelation über mehrere Attribute hinweg, was Ego‑IDs und vier Schichten anstelle von nur zwei Schichten mit Rückwärts‑Nachrichtenübertragung nötig macht – selbst bei azyklischen bipartiten Graphen. Ähnliche Anforderungen gelten für die Zyklus‑Erkennung. Diese Erkenntnisse liefern klare Leitlinien für die effiziente Gestaltung von GNN‑Modellen in der Praxis.