GESC-Modell revolutioniert Graph Neural Networks bei heterophilen Strukturen

Ein neues Verfahren namens Gauge‑Equivariant Graph Network mit Self‑Interference Cancellation (GESC) verspricht, die Leistung von Graph Neural Networks (GNNs) auf heterophilen Graphen deutlich zu verbessern. Während herkömmliche GNNs bei stark heterophilen Strukturen oft an ihre Grenzen stoßen, nutzt GESC eine interferenzbasierte Aggregation, die selbstreplizierende Signale abschwächt und dadurch die Konsistenz der Phaseninformationen erhöht.

Im Gegensatz zu bisherigen magnetischen oder gauge‑equivarianten Modellen, die sich hauptsächlich auf die Handhabung von Phasen in spektralen Filtern konzentrieren, führt GESC eine U(1)-Phasenverbindung ein, gefolgt von einer Rang‑1‑Projektion. Diese Projektion reduziert selbstparallelle Komponenten, bevor die Attention‑Mechanismen greifen. Zusätzlich reguliert ein sign‑ und phasenbewusstes Gate die Nachbarschaftseinflüsse, indem es Komponenten, die mit dem aktuellen Knotenzustand ausgerichtet sind, abschwächt und damit lokale Notch‑Filter für niederfrequente Modi erzeugt.

In einer Vielzahl von Graph‑Benchmarks übertrifft GESC konsequent aktuelle State‑of‑the‑Art‑Modelle. Das Verfahren bietet nicht nur eine höhere Genauigkeit, sondern auch einen einheitlichen, interferenz‑bewussten Ansatz für das Message‑Passing. Der zugehörige Code ist unter hier verfügbar.