Graph Hopfield Networks: Energiebasierte Knotenkategorisierung mit Gedächtnis

Die neu vorgestellte Methode Graph Hopfield Networks kombiniert in einer einzigen Energiefunktion assoziatives Gedächtnis mit der Glättung über den Graph-Laplacian. Durch diese Kombination wird die Klassifizierung von Knoten in Graphen auf eine völlig neue Ebene gehoben.

Der Ansatz nutzt Gradientenabstieg auf der gemeinsamen Energie, um einen iterativen Update-Mechanismus zu erzeugen, der abwechselnd Hopfield‑Retrieval und Laplacian‑Propagation einsetzt. Dieser Wechsel sorgt für eine effiziente und robuste Lernschleife, die sowohl die Speicherfähigkeit als auch die strukturelle Konsistenz des Graphen berücksichtigt.

In Experimenten zeigte die Speicher‑Retrieval‑Komponente signifikante Vorteile: bis zu 2,0 Prozentpunkte Verbesserung auf dünn besetzten Zitationsnetzwerken und bis zu 5 Prozentpunkte zusätzliche Robustheit bei Merkmalmaskierung. Selbst die Variante ohne Gedächtnis (NoMem) übertrifft etablierte Baselines auf Amazon‑Co‑Purchase‑Graphen, was die starke induktive Voreingenommenheit der Architektur unterstreicht.

Ein weiteres Highlight ist die Möglichkeit, durch einfaches Tuning die Graphen für heterophile Benchmarks zu schärfen, ohne die Architektur zu verändern. Damit eröffnet Graph Hopfield Networks neue Perspektiven für die Analyse komplexer Netzwerke in verschiedensten Anwendungsbereichen.