Neue State‑Space‑Modelle revolutionieren Lernaufgaben auf gerichteten Graphen

In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein bahnbrechender Ansatz vorgestellt, der State‑Space‑Modelle (SSMs) erstmals auf gerichtete Graphen überträgt. Während herkömmliche Graph‑Neural‑Netzwerke und Graph‑Transformers zwar bereits Fortschritte erzielt haben, stoßen sie bei der Erfassung langfristiger kausaler Abhängigkeiten und bei der Skalierbarkeit auf große Datensätze häufig an ihre Grenzen.

Die Autoren führen die Methode DirEgo2Token ein, die gerichtete Graphen in k‑Hop‑Ego‑Graphen umwandelt und so eine sequentielle Darstellung ermöglicht. Auf dieser Basis entsteht DirGraphSSM, ein neues Netzwerk, das SSMs über ein Message‑Passing‑Schema auf gerichtete Strukturen anwendet. Damit wird die bisher ausschließlich für ungerichtete Graphen entwickelte Technik erweitert und an die spezifischen Anforderungen gerichteter Netzwerke angepasst.

Experimentelle Ergebnisse zeigen, dass DirGraphSSM in drei repräsentativen Aufgaben die bisher beste Leistung erzielt und in zwei weiteren Aufgaben mit 1,5‑bis 2‑fach schneller trainiert als aktuelle Spitzenmodelle. Der Ansatz kombiniert damit höchste Genauigkeit mit bemerkenswerter Effizienz und eröffnet neue Perspektiven für die Analyse komplexer, kausal strukturierter Graphdaten.