[論文レビュー] BRAVA-GNN: Betweenness Ranking Approximation Via Degree MAss Inspired Graph Neural Network

Justin Dachille, Aurora Rossi+6 more|arXiv (Cornell University)|Feb 10, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

BRAVA-GNNは高度な次数マス特徴と双曲的グラフ学習を用いて媒介中心性のランキングを正確に近似し、道路網のような実世界の高直径グラフに対して強い一般化と大幅な推論速度向上を達成します。

ABSTRACT

Computing node importance in networks is a long-standing fundamental problem that has driven extensive study of various centrality measures. A particularly well-known centrality measure is betweenness centrality, which becomes computationally prohibitive on large-scale networks. Graph Neural Network (GNN) models have thus been proposed to predict node rankings according to their relative betweenness centrality. However, state-of-the-art methods fail to generalize to high-diameter graphs such as road networks. We propose BRAVA-GNN, a lightweight GNN architecture that leverages the empirically observed correlation linking betweenness centrality to degree-based quantities, in particular multi-hop degree mass. This correlation motivates the use of degree masses as size-invariant node features and synthetic training graphs that closely match the degree distributions of real networks. Furthermore, while previous work relies on scale-free synthetic graphs, we leverage the hyperbolic random graph model, which reproduces power-law exponents outside the scale-free regime, better capturing the structure of real-world graphs like road networks. This design enables BRAVA-GNN to generalize across diverse graph families while using 54x fewer parameters than the most lightweight existing GNN baseline. Extensive experiments on 19 real-world networks, spanning social, web, email, and road graphs, show that BRAVA-GNN achieves up to 214% improvement in Kendall-Tau correlation and up to 70x speedup in inference time over state-of-the-art GNN-based approaches, particularly on challenging road networks.

研究の動機と目的

• 大規模ネットワークおよび高直径を持つ道路網における媒介中心性ランキングのスケーラビリティの必要性を動機付ける。
• 軽量で誘導性を持つGNNアーキテクチャBRAVA-GNNを提案し、堅牢なランキングのために次数マス特徴を活用する。
• 双曲的ランダムグラフでの学習がさまざまなトポロジに対する一般化を改善することを示す。
• 19の実世界データセットにおいて最先端のGNNベース手法と比較して、精度の向上と推論速度の大幅な改善を示す。

提案手法

• サイズ不変の埋め込みとして最大6次の次数マスベクトルを使用。
• 共有重みを用いた双方向（入力と出力）のメッセージパッシングを適用し、有向パス情報を捉える。
• 内方向スコアと外方向スコアを掛け合わせて最終ノードランキングを生成することで、方向性埋め込みを統合する。
• 最短路上に描けないノード（孤立ノード/葉ノードおよびクリーク近傍など）を削除するようグラフを前処理する。
• ノード中心性予測のペアワイズランキングを最適化するマージンランキング損失で学習する。

(a) Predicted Ranking ( $\tau=0.7708$ )

実験結果

リサーチクエスチョン

• RQ1 BRAVA-GNNは道路網のような高直径グラフを含む多様なグラフファミリに対して媒介中心性ランキングを一般化できるか。
• RQ2 高階次数マスを特徴として活用することでパラメータ数を削減しつつ、ランキング精度を維持または向上させることができるか。
• RQ3 双曲的ランダムグラフでの学習は冗長度とクラスタリングの性質を持つ実世界ネットワークへの一般化を改善するか。
• RQ4 BRAVA-GNNは19の実世界データセット（社会・ウェブ・メール・道路）において、Kendall tauランキングと推論速度で最先端のGNN法と比較してどうか。

主な発見

• BRAVA-GNNは道路網でベースラインに対してKendall-Tau相関を最大214%向上させた。
• BRAVA-GNNは最先端のGNNアプローチと比較して推論時間を最大70倍高速化した。
• モデルは約1.3kパラメータを使用し、ABCDEベースラインより約54倍少ない。
• 6次の次数マス特徴を持つ2層GNNは強力な性能を示し、双曲学習は高直径グラフでの一般化を高める。
• BRAVA-GNNは19の実世界データセット（社会・ウェブ・メール・道路）で最先端または強力な2番目のランキング性能を示す。

(b) Ground-Truth Ranking