本文研究了使用图神经网络（GNN）来近似介数和接近度中心性，将其作为可扩展的节点排序问题。作者评估了消息传递型GNN是否能够学习跨不同图拓扑的可迁移结构表示，而不仅仅是拟合训练分布。

  • 在未见的Erdos renyi图上，模型在介数上达到了0.851的Kendall's tau，在接近度中心性上达到了0.894。
  • 在包含N = 5,000个节点的图上训练的介数大模型达到了0.938的tau，证明了其可扩展性。
  • 跨Erdos renyi、Barabasi-Albert和Gaussian Random Partition图的混合分布训练改善了介数在不同图族间的迁移能力。
  • 接近度中心性对具有社区结构的图仍然敏感，显示出向现实世界拓扑迁移能力的降低。
  • GNN推理相比精确计算方法实现了高达97.7倍的加速。

结果表明，混合分布训练提高了基于GNN的中心性近似中的结构迁移能力，同时突显了接近度中心性对拓扑的敏感性作为一个未解决的挑战。