यह शोध पत्र ग्राफ न्यूरल नेटवर्क (GNNs) का उपयोग करके बीचness और closeness centrality का अनुमान लगाने को एक स्केलेबल नोड-रैंकिंग समस्या के रूप में जांचता है। लेखकों ने मूल्यांकन किया कि क्या संदेश-पारगमन GNNs विभिन्न ग्राफ टोपोलॉजी के पार स्थानांतरणीय संरचनात्मक प्रतिनिधित्व सीख सकते हैं, न कि केवल प्रशिक्षण वितरण पर फिट हो सकते हैं।
- अज्ञात Erdos renyi ग्राफ पर, मॉडलों ने betweenness के लिए Kendall's tau 0.851 और closeness centrality के लिए 0.894 प्राप्त किया।
- N = 5,000 नोड्स वाले ग्राफ पर प्रशिक्षित एक बड़े पैमाने का betweenness मॉडल 0.938 का tau तक पहुँचा, जिससे स्केलेबिलिटी सिद्ध हुई।
- Erdos renyi, Barabasi-Albert, और Gaussian Random Partition ग्राफ के पार मिश्रित-वितरण प्रशिक्षण ने ग्राफ परिवारों के बीच betweenness स्थानांतरण को बेहतर बनाया।
- closeness centrality समुदाय-संरचित ग्राफ के प्रति संवेदनशील रहा, जिससे वास्तविक दुनिया की टोपोलॉजी में कम स्थानांतरण दिखाई दिया।
- GNN इनफरेंस ने सटीक गणना विधियों की तुलना में 97.7x तक की गति वृद्धि हासिल की।
परिणाम संकेत करते हैं कि मिश्रित-वितरण प्रशिक्षण GNN-आधारित centrality अनुमान में संरचनात्मक स्थानांतरण को बेहतर बनाता है, जबकि closeness centrality की टोपोलॉजी के प्रति संवेदनशीलता को एक खुली चुनौती के रूप में उजागर करता है।