Neues Dual-Framework für Graph‑Super‑Resolution – Topologie bleibt erhalten
Graph‑Super‑Resolution, also die Rekonstruktion hochauflösender Graphen aus niedrigauflösenden Vorgängern, eröffnet ein vielversprechendes Feld, das besonders in ressourcenarmen Bereichen wie der Medizin von großem Nutzen sein kann. Durch die Vermeidung teurer Datenerhebungen ermöglicht diese Technik eine effiziente Analyse komplexer Netzwerke.
Aktuelle Ansätze, die auf Graph‑Neural‑Networks (GNNs) basieren, stoßen jedoch auf zwei wesentliche Schwächen: Erstens wird bei der Knoten‑Super‑Resolution häufig eine matrixbasierte Methode verwendet, die die eigentliche Graphstruktur ignoriert und keine Permutationsinvarianz gewährleistet. Zweitens beschränkt sich die Kantenermittlung auf die Repräsentationen der Knoten, was die Skalierbarkeit und Ausdruckskraft der Modelle einschränkt.
Um diese Probleme zu lösen, stellen die Autoren zwei GNN‑agnostische Frameworks vor. Das erste, Bi‑SR, nutzt einen bipartiten Graphen, der die Knoten des niedrigauflösenden Graphen mit denen des hochauflösenden Graphen verbindet. Dadurch wird die Struktur bei der Knoten‑Super‑Resolution berücksichtigt und die Permutationsinvarianz erhalten. Das zweite Framework, DEFEND, lernt Kantendarstellungen, indem es hochauflösende Kanten auf Knoten eines Dualgraphen abbildet. Auf diese Weise können Standard‑GNN‑Modelle zur Kantenerkennung eingesetzt werden, ohne die Skalierbarkeit zu beeinträchtigen.
Die beiden Methoden wurden auf einem realen Gehirn‑Connectom‑Datensatz getestet und erzielten in sieben topologischen Messgrößen den aktuellen Stand der Technik. Zusätzlich wurden zwölf neue simulierte Datensätze entwickelt, die unterschiedliche Topologien und Beziehungen zwischen niedrig- und hochauflösenden Graphen abbilden. Diese Datensätze ermöglichen ein umfassendes Benchmarking und fördern die Weiterentwicklung von Graph‑Super‑Resolution‑Techniken.
Die vorgestellten Dual‑Frameworks markieren einen bedeutenden Fortschritt in der Graph‑Super‑Resolution und legen den Grundstein für robustere, strukturbewusste Modelle, die in verschiedensten Anwendungsbereichen eingesetzt werden können.