Motif-basierter PageRank verbessert Graph-Convolutional Networks

Neues Verfahren namens GCN‑MPPR nutzt einen motif‑basierten Personalized PageRank, um die Informationsweitergabe in Message‑Passing‑Neural‑Networks (MPNNs) zu optimieren. Durch die Berücksichtigung höherer‑Ordnung‑Motivbeziehungen kann die Methode das häufig auftretende Over‑Smoothing‑Problem mildern und die Tiefe der Netzwerkpropagation erhöhen.

Traditionelle MPNNs beschränken sich oft auf sehr flache Nachbarschaften, was zu geringer Genauigkeit, schlechter Stabilität und hohem Rechenaufwand führt. GCN‑MPPR adressiert diese Schwächen, indem es die Einflusskraft eines Knotens auf einen anderen anhand von Motiven misst und so die Nachrichtenweitergabe auf einer höheren Ebene steuert.

Experimentelle Tests zeigen, dass GCN‑MPPR nahezu alle Vergleichsmodelle in Bezug auf Genauigkeit, Stabilität und Laufzeit übertrifft. Darüber hinaus lässt sich das Verfahren als generelles Bauelement in nahezu allen GCN‑Aufgaben einsetzen, wie die Demonstration mit DGCRL verdeutlicht.

Der zugehörige Code ist öffentlich verfügbar unter https://anonymous.4open.science/r/GCN-MPPR-AFD6/.