تحقق هذه الورقة البحثية من استخدام الشبكات العصبية البيانية (GNNs) لتقارب بينness و closeness centrality كمشكلة ترتيب عقد قابلة للتوسع. يقيم المؤلفون ما إذا كانت شبكات GNN التي تمرر الرسائل يمكنها تعلم تمثيلات هيكلية قابلة للنقل عبر طوبولوجيات بيانية مختلفة بدلاً من مجرد ملاءمة توزيع التدريب.
- على رسوم Erdos renyi غير المرئية، حقق النماذج Kendall's tau بقيمة 0.851 لـ betweenness و 0.894 لـ closeness centrality.
- وصل نموذج بينness واسع النطاق المدرب على رسوم تحتوي على N = 5,000 عقدة إلى قيمة tau تبلغ 0.938، مما يوضح قابلية التوسع.
- أدى التدريب بتوزيعات مختلطة عبر رسوم Erdos renyi و Barabasi-Albert و Gaussian Random Partition إلى تحسين نقل بينness عبر عائلات الرسوم.
- ظلت closeness centrality حساسة للرسوم ذات البنية المجتمعية، مما أظهر انخفاضاً في النقل إلى الطوبولوجيات الواقعية.
- حقق استنتاج GNN تسارعاً يصل إلى 97.7 مرة مقارنة بطرق الحساب الدقيق.
تشير النتائج إلى أن التدريب بتوزيعات مختلطة يحسن النقل الهيكلي في تقريب المركزية القائم على GNN، مع تسليط الضوء على حساسية closeness centrality للطوبولوجيا كتحدي مفتوح.