Este artigo investiga o uso de Redes Neurais em Grafos (GNNs) para aproximar a centralidade de intermediação (betweenness) e proximidade (closeness) como um problema de ranqueamento de nós escalável. Os autores avaliam se os GNNs baseados em passagem de mensagens podem aprender representações estruturais transferíveis entre diferentes topologias de grafos, em vez de simplesmente ajustar-se à distribuição de treinamento.

  • Em grafos Erdos-Renyi não vistos, os modelos alcançaram um Kendall's tau de 0,851 para centralidade de intermediação e 0,894 para centralidade de proximidade.
  • Um modelo de grande escala de centralidade de intermediação treinado em grafos com N = 5.000 nós atingiu um tau de 0,938, demonstrando escalabilidade.
  • O treinamento com distribuição mista entre grafos Erdos-Renyi, Barabasi-Albert e Gaussian Random Partition melhorou a transferência de centralidade de intermediação entre famílias de grafos.
  • A centralidade de proximidade permaneceu sensível a grafos com estrutura de comunidades, mostrando redução na transferência para topologias do mundo real.
  • A inferência de GNNs alcançou até uma aceleração de 97,7x em relação aos métodos de cálculo exato.

Os resultados indicam que o treinamento com distribuição mista melhora a transferência estrutural na aproximação de centralidade baseada em GNNs, enquanto destaca a sensibilidade da centralidade de proximidade à topologia como um desafio em aberto.