Makalah ini menyelidiki penggunaan Graph Neural Networks (GNN) untuk mengaproksimasi betweenness dan closeness centrality sebagai masalah pengurutan simpul yang skalabel. Penulis mengevaluasi apakah GNN message-passing dapat mempelajari representasi struktural yang dapat ditransfer di berbagai topologi graf, bukan sekadar menyesuaikan dengan distribusi pelatihan.
- Pada graf Erdos renyi yang belum dilihat, model mencapai Kendall's tau sebesar 0.851 untuk betweenness dan 0.894 untuk closeness centrality.
- Model betweenness skala besar yang dilatih pada graf dengan N = 5,000 simpul mencapai tau 0.938, menunjukkan skalabilitas.
-Pelatihan distribusi campuran di antara graf Erdos renyi, Barabasi-Albert, dan Gaussian Random Partition meningkatkan transfer betweenness antar keluarga graf.
- Closeness centrality tetap sensitif terhadap graf yang terstruktur komunitas, menunjukkan penurunan transfer ke topologi dunia nyata.
- Inferensi GNN mencapai percepatan hingga 97.7x dibandingkan metode komputasi eksak.
Hasilnya menunjukkan bahwa pelatihan distribusi campuran meningkatkan transfer struktural dalam aproksimasi sentralitas berbasis GNN, sambil menyoroti sensitivitas closeness centrality terhadap topologi sebagai tantangan yang belum terpecahkan.