Neuer Ansatz GRAPHITE steigert Homophilie in heterophilen Graphen

Graph Neural Networks (GNNs) haben sich als leistungsstarkes Werkzeug zur Analyse von Graphdaten etabliert, stoßen jedoch bei heterophilen Strukturen – wo benachbarte Knoten unterschiedliche Merkmale oder Labels besitzen – häufig an ihre Grenzen. Traditionelle Ansätze konzentrieren sich meist auf architektonische Änderungen, erreichen aber oft noch schlechtere Ergebnisse als einfache Multi-Layer-Perceptrons (MLPs). In einer aktuellen Studie wird ein völlig neuer Ansatz vorgestellt, der das Problem direkt angeht: GRAPHITE.

GRAPHITE transformiert den Graphen selbst, indem es gezielt Feature‑Knoten einführt, die homophile Nachrichtenübertragung zwischen Knoten mit ähnlichen Merkmalen ermöglichen. Durch diese graphbasierte Modifikation wird die Homophilie des ursprünglichen heterophilen Graphen signifikant erhöht, während die Graphgröße nur minimal wächst. Sowohl theoretische Analysen als auch umfangreiche Experimente belegen, dass GRAPHITE die Leistung von GNNs auf heterophilen Datensätzen deutlich verbessert und damit einen wichtigen Schritt in der Weiterentwicklung von Graphlern‑Modellen darstellt.

Die Ergebnisse zeigen, dass ein gezieltes Vorverarbeiten des Graphen – anstatt ausschließlich die Netzwerkarchitektur zu optimieren – ein vielversprechender Weg ist, um die Herausforderungen heterophiler Strukturen zu überwinden. GRAPHITE eröffnet damit neue Perspektiven für die Anwendung von GNNs in Bereichen, in denen die Homophilie traditionell schwach ausgeprägt ist.