InfraredGP: Graphenpartitionieren mit spektralen GNNs und negativer Korrektur

Ein neues Verfahren namens InfraredGP hat die Art und Weise, wie Graphenpartitionierung (GP) durchgeführt wird, grundlegend verändert. Durch die Kombination eines spektralen Graph Neural Networks (GNN) mit einer negativen Korrektur des Graphenlaplacians kann InfraredGP Frequenzinformationen nutzen, die über den üblichen Bereich von 0 bis 2 hinausgehen. Diese erweiterten Frequenzen ermöglichen es, tiefere Einblicke in die Struktur von Gemeinschaften innerhalb eines Graphen zu gewinnen.

Das Besondere an InfraredGP ist, dass es keine Trainingsphase benötigt. Stattdessen werden zufällige Eingaben an das GNN weitergegeben, das in einem einzigen Feed‑Forward‑Propagation‑Schritt (FFP) Graph‑Embeddings erzeugt. Diese Embeddings werden anschließend an den BIRCH‑Algorithmus übergeben, der die endgültige Partitionierung vornimmt. Durch die negative Korrektur werden die niedrigen Frequenzen verstärkt, was zu klar unterscheidbaren Embeddings führt und eine hohe Qualität der Partitionierung gewährleistet.

In umfangreichen Experimenten, die sowohl statische als auch Streaming‑Graphen abdeckten, zeigte InfraredGP eine beeindruckende Leistungssteigerung. Im Vergleich zu etablierten Baselines konnte das Verfahren die Rechenzeit um 16 bis 23 Mal reduzieren, während die Qualität der Ergebnisse gleichwertig oder sogar besser blieb. Diese Effizienzsteigerung macht InfraredGP besonders attraktiv für Anwendungen, die schnelle und genaue Graphenpartitionierung erfordern.

Die Autoren haben den Code öffentlich zugänglich gemacht, sodass Forscher und Entwickler die Methode leicht in ihre eigenen Projekte integrieren können. InfraredGP setzt damit neue Maßstäbe für die Kombination von spektraler Graphenverarbeitung und praktischer Anwendbarkeit in der Graphenpartitionierung.