Este artículo investiga el uso de Redes Neuronales Gráficas (GNN) para aproximar la centralidad de intermediación y cercanía como un problema de clasificación de nodos escalable. Los autores evalúan si las GNN de paso de mensajes pueden aprender representaciones estructurales transferibles entre diferentes topologías de grafos, en lugar de simplemente ajustarse a la distribución de entrenamiento.

  • En grafos Erdos renyi no vistos, los modelos alcanzaron un Kendall's tau de 0.851 para la centralidad de intermediación y 0.894 para la centralidad de cercanía.
  • Un modelo de intermediación a gran escala entrenado en grafos con N = 5,000 nodos alcanzó un tau de 0.938, demostrando escalabilidad.
  • El entrenamiento con distribución mixta entre grafos Erdos renyi, Barabasi-Albert y Gaussian Random Partition mejoró la transferencia de intermediación entre familias de grafos.
  • La centralidad de cercanía permaneció sensible a los grafos estructurados por comunidades, mostrando una transferencia reducida a topologías del mundo real.
  • La inferencia GNN logró hasta una aceleración de 97.7x sobre los métodos de cálculo exacto.

Los resultados indican que el entrenamiento con distribución mixta mejora la transferencia estructural en la aproximación de centralidad basada en GNN, mientras destaca la sensibilidad de la centralidad de cercanía a la topología como un desafío abierto.