Neuer Edged Weisfeiler–Lehman-Algorithmus verbessert Graphenklassifikation

Ein neues Forschungsdokument auf arXiv (2512.05238v1) präsentiert den Edged Weisfeiler–Lehman-Algorithmus (E-WL), eine Erweiterung des klassischen 1-WL-Ansatzes, der bisher keine Kantendaten berücksichtigte. Durch die Einbindung von Kantenmerkmalen kann E-WL die Isomorphieprüfung von Graphen verfeinern und damit die Repräsentation von Knoten verbessern.

Auf Basis von E-WL wurde das Edged Graph Isomorphism Network (EGIN) entwickelt, das gezielt Kantendaten nutzt – ein Merkmal, das in vielen bestehenden Graph Neural Networks fehlt. Die Autoren haben EGIN auf zwölf Benchmark-Datensätzen mit Kantendaten getestet und die Ergebnisse mit führenden Modellen verglichen.

Die Experimente zeigen, dass EGIN in nahezu allen Fällen die Leistung bei Graphklassifikationsaufgaben übertrifft. Damit demonstriert die Arbeit, dass die Berücksichtigung von Kantendetails einen signifikanten Mehrwert für graphbasierte Lernmodelle bietet und neue Wege für die Weiterentwicklung von GNNs eröffnet.