[논문 리뷰] BRAVA-GNN: Betweenness Ranking Approximation Via Degree MAss Inspired Graph Neural Network

Justin Dachille, Aurora Rossi외 6명|arXiv (Cornell University)|2026. 02. 10.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

BRAVA-GNN은 더 높은 차수 질량 특징과 초이론적 그래프 훈련을 활용하여 베트윈니스 중심성으로 노드를 정확하게 순위를 매기는 경량 GNN로, 도로 네트워크와 같은 실세계의 고 직경 그래프에서 상당한 정확도 향상과 큰 추론 속도 향상을 달성합니다.

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.

연구 동기 및 목표

• 대규모 네트워크와 직경이 큰 도로 네트워크에서 확장 가능한 betweenness 순위의 필요성을 제시한다.
• 가볍고 inductive GNN 아키텍처인 BRAVA-GNN을 제안하고, robust ranking을 위해 degree-mass features를 활용한다.
• 하이퍼볼릭 무작위 그래프에서의 학습이 다양한 토폴로지에 걸친 일반화를 향상시킨다는 것을 보인다.
• 19개의 실세계 데이터셋에 대해 최첨단 GNN 기반 방법들에 비해 상당한 정확도 향상과 추론 속도 향상을 입증한다.

제안 방법

• 크기 불변 임베딩으로 최대 6차의 degree-mass 기반 노드 특징을 사용한다.
• 공유 가중치를 가진 듀얼(입력 방향 및 출력 방향) 메시지 전달을 적용하여 방향 경로 정보를 포착한다.
• in- 방향 점수와 out- 방향 점수를 곱하여 최종 노드 순위를 생성하는 방향성 임베딩을 융합한다.
• 가장 짧은 경로에 놓일 수 없는 노드(격리/리프 노드 및 클리크 이웃)를 제거하도록 그래프를 전처리한다.
• 노드 중심성 예측의 쌍별 순위를 최적화하기 위해 Margin Ranking Loss로 학습한다.

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

실험 결과

연구 질문

• RQ1 BRAVA-GNN이 고 직경 그래프인 도로 네트워크를 포함한 다양한 그래프 계열에서 betweenness 순위를 일반화할 수 있는가?
• RQ2 고차수 질량을 특징으로 활용하면 매개변수 수를 줄이면서도 순위 정확도를 유지하거나 향상시킬 수 있는가?
• RQ3 하이퍼볼릭 무작위 그래프에서의 학습이 거듭되는 능력의 일반화에 도움을 주는가?
• RQ4 BRAVA-GNN이 19개의 실세계 데이터셋에서 Kendall tau 순위 및 추론 속도 면에서 최첨단 GNN 기반 방법과 비교하여 어떤 위치에 있는가?

주요 결과

• BRAVA-GNN은 도로 네트워크에서 베타운-타우(Kendall-Tau) 상관관계에서 기준선 대비 최대 214%의 향상을 달성한다.
• BRAVA-GNN은 최첨단 GNN 접근 방식과 비교하여 추론 시간에서 최대 70배의 속도 향상을 달성한다.
• 모델은 약 1.3k 매개변수를 사용하며, ABCDE 기준선 대비 약 54배 적은 수를 차지한다.
• 6차 degree-mass 특징을 가진 2계층 GNN은 강력한 성능을 제공하며, 초이론적 학습은 고 직경 그래프에서 일반화를 향상시킨다.
• BRAVA-GNN은 19개의 실세계 데이터셋(사회, 웹, 이메일, 도로)에서 최첨단 또는 강력한 2위 수준의 순위 성능을 나타낸다.

(b) Ground-Truth Ranking