本論文は、スケーラブルなノードランキング問題として、グラフニューラルネットワーク（GNN）を用いてbetweennessおよびcloseness centralityを近似すること investigates する。著者たちは、メッセージパッシングGNNが単にトレーニング分布に適合するのではなく、異なるグラフトポロジー間で移植可能な構造的表現を学習できるかどうかを評価する。

  • 未見のErdos renyiグラフにおいて、モデルはbetweennessでKendall's tau 0.851、closeness centralityで0.894を達成した。
  • N = 5,000ノードのグラフでトレーニングされた大規模なbetweennessモデルはtau 0.938に達し、スケーラビリティを示した。

-Erdos renyi、Barabasi-Albert、Gaussian Random Partitionグラフ間で混合分布トレーニングを行うと、グラフファミリー間でbetweennessの移植性が向上した。

  • closeness centralityはコミュニティ構造化されたグラフに対して敏感であり、現実世界のトポロジーへの移植が減少することを示した。

-GNN推論は、正確な計算手法と比較して最大97.7倍の高速化を達成した。

結果は、混合分布トレーニングがGNNベースの中心性近似における構造的移植性を向上させる一方で、closeness centralityのトポロジーへの敏感性が開いた課題であることを浮き彫りにしている。