BRAVA-GNN：基于 Betweenness Ranking Approximation Via Degree MAss 的图神经网络
机器学习
2026-02-11 v1
摘要
计算网络中节点重要性是长期以来的基本问题，已驱动对各种中心性度量方法的广泛研究。其中一种著名的中心性度量是 betweenness centrality，当网络规模扩大时，其计算便变得昂贵。图神经网络（GNN）模型因此被提出用于预测节点依据其相对 betweenness centrality 的排序。然而，现有的 SOTA 方法无法泛化到高直径图（如道路网络）。我们提出 BRAVA-GNN，一种轻量级 GNN 架构，利用与 betweenness centrality 相关的经验观察——特别是多跳 degree mass 的相关性。这种相关性激发我们使用 degree mass 作为大小不变的节点特征，以及与真实网络的度分布相吻合的合成训练图。此外，虽然先前工作依赖于无尺度合成图，但我们采用超几何随机图模型，其在无尺度范畴之外再现 power-law 指数，更好地捕捉真实世界图的结构，如道路网络。这种设计使 BRAVA-GNN 能够跨越多样化的图族进行泛化，同时使用比最轻型现有 GNN 基线 54 倍更少的参数。对 19 个真实网络上的广泛实验表明，BRAVA-GNN 在 Kendall-Tau 相关性上实现了最高可达 214% 的提升，在推理时间上实现了最高可达 70 倍的加速，尤其是在具有挑战性的道路网络上。
引用
@article{arxiv.2602.09716,
title = {BRAVA-GNN: Betweenness Ranking Approximation Via Degree MAss Inspired Graph Neural Network},
author = {Justin Dachille and Aurora Rossi and Sunil Kumar Maurya and Frederik Mallmann-Trenn and Xin Liu and Frédéric Giroire and Tsuyoshi Murata and Emanuele Natale},
journal= {arXiv preprint arXiv:2602.09716},
year = {2026}
}
备注
Submitted to KDD