Cet article examine l'utilisation des Réseaux Neuronaux sur Graphes (GNN) pour approximer la centralité d'intermédiarité (betweenness) et de proximité (closeness) dans le cadre d'un problème de classement de nœuds évolutif. Les auteurs évaluent si les GNN à passage de messages peuvent apprendre des représentations structurelles transférables entre différentes topologies de graphes, plutôt que de simplement s'adapter à la distribution d'entraînement.
- Sur des graphes Erdos renyi non vus, les modèles ont atteint un Kendall's tau de 0.851 pour la centralité d'intermédiarité et de 0.894 pour la centralité de proximité.
- Un modèle de centralité d'intermédiarité à grande échelle entraîné sur des graphes avec N = 5,000 nœuds a atteint un tau de 0.938, démontrant l'évolutivité.
- L'entraînement à distribution mixte entre les graphes Erdos renyi, Barabasi-Albert et Gaussian Random Partition a amélioré le transfert de la centralité d'intermédiarité entre les familles de graphes.
- La centralité de proximité est restée sensible aux graphes structurés en communautés, montrant un transfert réduit vers les topologies du monde réel.
- L'inférence GNN a atteint jusqu'à un gain de vitesse de 97.7x par rapport aux méthodes de calcul exact.
Les résultats indiquent que l'entraînement à distribution mixte améliore le transfert structurel dans l'approximation de la centralité basée sur les GNN, tout en soulignant la sensibilité de la centralité de proximité à la topologie comme un défi ouvert.