이 논문은 확장 가능한 노드 랭킹 문제로 그래프 뉴럴 네트워크(GNN)를 사용하여 betweenness 및 closeness centrality를 근사하는 것을 조사합니다. 저자들은 메시지 전달 GNN이 단순히 훈련 분포에 적합하는 것이 아니라 서로 다른 그래프 토폴로지 간에 이전 가능한 구조적 표현을 학습할 수 있는지 평가합니다.

  • 보지 못한 Erdos renyi 그래프에서 모델은 betweenness에 대해 Kendall's tau 0.851, closeness centrality에 대해 0.894를 달성했습니다.
  • N = 5,000 노드가 있는 그래프에서 훈련된 대규모 betweenness 모델은 tau 0.938에 도달하여 확장 가능성을 입증했습니다.

-Erdos renyi, Barabasi-Albert 및 Gaussian Random Partition 그래프 간 혼합 분포 훈련은 그래프 패밀리 간 betweenness 이전을 개선했습니다.

  • closeness centrality는 커뮤니티 구조화된 그래프에 민감하며 실제 세계 토폴로지로의 이전이 감소했음을 보여주었습니다.

-GNN 추론은 정확한 계산 방법 대비 최대 97.7배 속도 향상을 달성했습니다.

결과는 혼합 분포 훈련이 GNN 기반 중심성 근사에서 구조적 이전을 개선하는 반면, closeness centrality의 토폴로지 민감성이 열린 과제임을 강조합니다.