Worin unterscheiden sich GNNs von klassischen Graph-Algorithmen (PageRank, Label Propagation)?

Graph-Neuronale Netze (GNN) unterscheiden sich von klassischen Graph-Algorithmen wie PageRank oder Label Propagation vor allem durch ihre Fähigkeit, auf Basis von Daten zu lernen und zu generalisieren.

• Lernfähigkeit: GNNs sind neuronale Netze, die auf Graphdaten trainiert werden, wobei sie automatisch Merkmale und Abhängigkeiten extrahieren. Klassische Algorithmen haben in der Regel eine feste Logik und lernen nicht.

• Flexibilität in der Darstellung: GNNs können verschiedene Arten von Knoten- und Kanteneigenschaften verwenden und komplexe nichtlineare Abhängigkeiten berücksichtigen, während klassische Algorithmen oft nur die Struktur des Graphen verwenden.

• Generalisierung: GNNs sind in der Lage, Wissen auf neue Graphen oder Knoten zu übertragen, was für Vorhersageaufgaben wichtig ist. Klassische Algorithmen lösen in der Regel spezifische Aufgaben wie Ranking (PageRank) oder Label Propagation ohne Lernen.

• Architektur: GNNs basieren auf der Idee der Nachbarschaftsaggregation (Message Passing), was eine effiziente Berücksichtigung der lokalen Struktur und Merkmale ermöglicht.

Beispiel: PageRank berechnet die Wichtigkeit von Knoten basierend auf der Link-Struktur, ohne zu lernen. GNNs können trainiert werden, um Eigenschaften von Knoten vorherzusagen, wobei sowohl die Struktur als auch die Merkmale genutzt werden, wobei die Gewichte der Aggregation im Trainingsprozess angepasst werden.