Neues Framework korrigiert Bias in Graph Neural Networks für heterophile Graphen

Graph Neural Networks (GNNs) haben sich als leistungsstarkes Werkzeug für die Verarbeitung von graphstrukturierten Daten etabliert. Ihre Standard-Architekturen basieren jedoch auf der Homophilie‑Annahme, wonach benachbarte Knoten ähnliche Labels besitzen. Diese Annahme führt bei heterophilen Graphen zu einer systematischen Verzerrung und damit zu schlechteren Ergebnissen.

In der aktuellen Studie wird detailliert analysiert, wie die Label‑Autokorrelation die Leistung von GNNs beeinflusst. Um diesem Bias entgegenzuwirken, wird ein negatives Feedback‑Verfahren eingeführt, das die Empfindlichkeit der Vorhersagen gegenüber dieser Autokorrelation bestraft. Das Ergebnis ist das Graph Negative Feedback Bias Correction (GNFBC) – ein einfaches, aber wirkungsvolles Framework, das unabhängig von der gewählten Aggregationsstrategie funktioniert.

GNFBC ergänzt die bestehenden GNN‑Architekturen um einen negativen Feedback‑Loss und nutzt zusätzlich die Ausgaben graph‑agnostischer Modelle als Rückkopplungselement. Durch die Einbindung von unabhängigen Knoteneigenschaften und die Steuerung über die Dirichlet‑Energie wird die durch Homophilie induzierte Verzerrung effektiv reduziert. Das neue Framework lässt sich nahtlos in aktuelle GNN‑Modelle integrieren und steigert die Gesamtleistung bei vergleichbarem Rechen- und Speicheraufwand.