В данной работе исследуется использование графовых нейронных сетей (GNN) для аппроксимации посреднической и близостной центральности как масштабируемой задачи ранжирования узлов. Авторы оценивают, могут ли GNN с передачей сообщений обучаться переносимым структурным представлениям на различных топологиях графов, а не просто подгоняться под распределение обучающей выборки.

  • На невидимых графах Эрдёша-Реньи модели достигли коэффициента Каппы Коэна 0.851 для посреднической центральности и 0.894 для близостной центральности.
  • Большая модель посреднической центральности, обученная на графах с N = 5,000 узлов, достигла значения tau 0.938, что демонстрирует масштабируемость.
  • Обучение на смешанном распределении по графам Эрдёша-Реньи, Барабаши-Альберта и Гауссовым случайным разбиениям улучшило перенос посреднической центральности между семействами графов.
  • Близостная центральность оставалась чувствительной к графам со структурой сообществ, что проявилось в снижении переносимости на реальные топологии.
  • Инференс GNN достиг ускорения до 97.7x по сравнению с методами точного вычисления.

Результаты показывают, что обучение на смешанном распределении улучшает структурный перенос при аппроксимации центральности на основе GNN, одновременно выделяя чувствительность близостной центральности к топологии как нерешённую проблему.