Neue GNN-Modelle L-JacobiNet und S-JacobiNet zeigen überraschende Stabilitätsvorteile

Die neuesten Erkenntnisse aus der arXiv-Studie 2511.16081v1 beleuchten die Grenzen traditioneller Spectral-GNNs wie ChebyNet, die durch ihre statischen, Low‑Pass‑Filter‑Architektur bei heterophilen Graphen und Over‑Smoothing stark eingeschränkt sind. Durch die Einführung der Klasse „Adaptive Orthogonal Polynomial Filter“ (AOPF) wird ein vielversprechender Ansatz zur Überwindung dieser Schwächen vorgestellt.

Im Fokus stehen zwei neue Modelle, die im Intervall [‑1, 1] operieren: L‑JacobiNet, eine adaptive Weiterentwicklung von ChebyNet mit lernbaren Alpha‑ und Beta‑Formparametern, und S‑JacobiNet, ein statisches Basismodell, das ChebyNet durch Layer‑Norm‑Stabilisierung ergänzt. Der Vergleich dieser beiden Ansätze mit AOPFs im Intervall [0, ∞), wie etwa LaguerreNet, offenbart bislang unbekannte Kompromisse.

Die Analyse zeigt, dass das [0, ∞]‑Intervall besonders gut heterophile Strukturen modelliert, während das [‑1, 1]‑Intervall bei hohen Filterordnungen (K > 20) eine überlegene numerische Stabilität bietet. Interessanterweise liegt der eigentliche Schwachpunkt von ChebyNet nicht in seiner statischen Natur, sondern in der mangelnden Stabilisierung. Das statische S‑JacobiNet übertrifft das adaptive L‑JacobiNet auf vier von fünf Benchmark‑Datensätzen, was es zu einem leistungsstarken, bislang unterschätzten Basismodell macht und darauf hinweist, dass Anpassungen im [‑1, 1]‑Bereich zu Over‑Fitting führen können.