📊 statistics

Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature

यह शोध पत्र एंट्रोपिक कर्वेचर (Entropic Curvature) प्रस्तुत करता है, जो ग्राफ न्यूरल नेटवर्क के लिए एक वैश्विक परिवहन-आधारित ढांचा है जो ओवरस्मूथिंग (oversmoothing) और ओवरस्क्वैशिंग (oversquashing) की घटनाओं को एक एकल कर्वेचर स्पेक्ट्रम के तहत एकीकृत करता है और इस सिद्धांत को ई-गेट एग्रीगेटर (E-Gate aggregator) और मिडपॉइंट-कम्प्लीशन रीवायरिंग (Midpoint-Completion Rewiring) जैसे व्यावहारिक तंत्रों में अनुवादित करता है ताकि कई बेंचमार्क पर प्रदर्शन में सुधार किया जा सके।

मूल लेखक: Rachid Caich, Yassine Abbahaddou

प्रकाशित 2026-07-27

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rachid Caich, Yassine Abbahaddou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक भीड़भाड़ वाले, अराजक शहर में एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। यदि शहर बहुत सपाट और खुला है, तो हर कोई एक ही बात सुन लेगा, और आपका अनूठा संदेश शोर में खो जाएगा। लेकिन यदि शहर मृत अंत वाली गलियों और संकीर्ण पुलों से भरा है, तो आपका संदेश दूसरे छोर तक पहुँचने से पहले ही अटक सकता है या कुचल सकता है। यह ग्राफ न्यूरल नेटवर्क (GNNs) का दैनिक संघर्ष है, जो वे AI मस्तिष्क हैं जो सोशल मीडिया, जैविक कोशिकाओं या इंटरनेट जैसे जटिल नेटवर्क को समझने की कोशिश करते हैं। लंबे समय से, वैज्ञानिक इन नेटवर्क्स को सूक्ष्म, स्थानीय विवरणों को देखकर ठीक करने की कोशिश कर रहे हैं—जैसे यह देखना कि क्या दो पड़ोसी दोस्त हैं। लेकिन यह एक पूरे शहर को केवल एक अकेले फुटपाथ की दरारों को देखकर समझने की कोशिश करने जैसा है; यह इस बात को नजरअंदाज कर देता है कि सूचना वास्तव में पूरे मानचित्र पर कैसे यात्रा करती है।

बड़ा सवाल यह है: हम एक ऐसा नेटवर्क कैसे डिज़ाइन करें जो सूचना को विशिष्ट बनाए रखे बिना उसे फंसने से बचा सके? इसका उत्तर देने के लिए, हमें "वक्रता" (curvature) नामक एक अवधारणा की आवश्यकता है। भौतिकी की सुव्यवस्थित दुनिया में, वक्रता हमें बताती है कि एक सतह एक गेंद (धनात्मक वक्रता), एक सैडल (ऋणात्मक वक्रता), या एक सपाट शीट है। ग्राफ की डिजिटल दुनिया में, वैज्ञानिकों ने यह अनुमान लगाने के लिए कि एक नेटवर्क कितनी अच्छी तरह काम करता है, इस वक्रता को मापने का प्रयास किया है। हालाँकि, पुराने उपकरण बहुत स्थानीय थे और यह समझाने में असमर्थ थे कि कुछ नेटवर्क क्यों सीखने में विफल होते हैं या क्यों कुछ सब कुछ भूल जाते हैं। यह शोध पत्र नेटवर्क के "आकार" को मापने का एक नया, वैश्विक तरीका पेश करता है, जो इसे केवल बिंदुओं और रेखाओं के संग्रह के रूप में नहीं, बल्कि एक परिदृश्य (landscape) के रूप में देखता है जहाँ सूचना पानी की तरह बहती है। इस परिदृश्य को समझकर, लेखक एक ऐसा AI बनाने की आशा करते हैं जो स्मार्ट, तेज़ और भ्रमित होने से कम प्रवृत्त हो।

विचार का आकार: AI के लिए एक नया मानचित्र

एंट्रोपिक कर्वेचर (Entropic Curvature) से मिलिए। इसे AI के लिए एक नए प्रकार के "टेरेन स्कैनर" के रूप में सोचें। जबकि पुराने उपकरण एक ग्राफ (जुड़े हुए बिंदुओं का नेटवर्क) को व्यक्तिगत सड़कों के मानचित्र की तरह देखते थे, यह नया उपकरण पूरे शहर के ट्रैफिक प्रवाह को देखता है। यह एक सरल लेकिन गहन प्रश्न पूछता है: "यदि मैं एक बिंदु पर स्याही की एक बूंद गिरा दूँ, तो दूसरे बिंदु तक यात्रा करते समय यह कैसे फैलती है?"

लेखकों ने महसूस किया कि नेटवर्क का आकार यह निर्धारित करता है कि सूचना कैसे व्यवहार करती है। यदि नेटवर्क की वक्रता बहुत "सपाट" या "धनात्मक" है, तो सूचना बहुत तेज़ी से फैलती है और तब तक चिकनी हो जाती है जब तक कि सब कुछ एक जैसा न दिखने लगे (एक समस्या जिसे ओवरस्मूथिंग/oversmoothing कहा जाता है)। यदि नेटवर्क बहुत अधिक "ऋणात्मक" या "सैडल-आकार" का है, तो सूचना तंग बाधाओं (bottlenecks) में दब जाती है और कुचल दी जाती है (एक समस्या जिसे ओवरस्क्वैशिंग/oversquashing कहा जाता है)। शोध पत्र प्रस्तावित करता है कि ये दोनों आपदाएं अलग-अलग मुद्दे नहीं हैं; वे वास्तव में एक ही स्पेक्ट्रम के विपरीत छोर हैं, जो नेटवर्क की वैश्विक ज्यामिति द्वारा नियंत्रित होते हैं।

महान विरोधाभास: आप सब कुछ नहीं पा सकते

शोध पत्र की सबसे रोमांचक खोजों में से एक है जिसे लेखक एक्सपेंशन पैराडॉक्स (Expansion Paradox) कहते हैं। कल्पना कीजिए कि आप एक आदर्श शहर बनाने की कोशिश कर रहे एक वास्तुकार हैं। आप तीन चीजें चाहते हैं:

विरलता (Sparsity): शहर उलझा हुआ नहीं होना चाहिए; सड़कें कम और कुशल होनी चाहिए।
विस्तार (Expansion): शहर अच्छी तरह से जुड़ा होना चाहिए ताकि आप कहीं भी जल्दी पहुँच सकें (कोई ट्रैफिक जाम नहीं)।
धनात्मक वक्रता (Positive Curvature): शहर में एक "कटोरे" जैसा आकार होना चाहिए जो चीजों को स्थिर रखे और अराजकता को रोके।

शोध पत्र एक कठिन सत्य सिद्ध करता है: आप एक बड़े शहर में ये तीनों चीजें एक साथ नहीं रख सकते। यदि आप एक विरल, अच्छी तरह से जुड़ा हुआ नेटवर्क बनाते हैं (जैसे अधिकांश वास्तविक दुनिया के सोशल नेटवर्क), तो इसमें अनिवार्य रूप से ऋणात्मक वक्रता होगी। यह ऋणात्मक वक्रता ही वह कारण है जिससे इन नेटवर्कों में सूचना "कुचली" (squashed) जाती है। इसके विपरीत, यदि आप सूचना को आपस में मिलने से रोकने के लिए नेटवर्क को धनात्मक वक्रता देने के लिए मजबूर करते हैं, तो आप तेजी से विस्तार करने की क्षमता खो देते हैं। यह एक ज्यामितीय समझौता है: आप एक साथ एक तेज़, विरल और पूरी तरह से स्थिर नेटवर्क नहीं रख सकते। यह AI अनुसंधान की दो बड़ी समस्याओं को एक एकल, समझने योग्य नियम में एकीकृत करता है।

नया टूलकिट: आकार को ठीक करना

समस्या को जानना आधी लड़ाई जीतने के बराबर है। लेखक केवल सिद्धांत तक ही सीमित नहीं रहे; उन्होंने इन नेटवर्कों को ठीक करने के लिए तीन व्यावहारिक उपकरण बनाए, अपने गणित को ऐसे कोड में बदला जो मौजूदा तरीकों से बेहतर काम करता है।

E-Gate (स्मार्ट ट्रैफिक लाइट):
कल्पना कीजिए कि एक ट्रैफिक लाइट है जो केवल लाल या हरी नहीं होती, बल्कि सड़क के आकार के आधार पर अपने समय को समायोजित करती है। E-Gate AI के लिए अपने पड़ोसियों से जानकारी एकत्र करने का एक नया तरीका है। यह प्रत्येक नोड की स्थानीय वक्रता को देखता है। यदि क्षेत्र "बहुत चिकना" (धनात्मक वक्रता) है, तो गेट संदेश को खो जाने से रोकने के लिए प्रवाह को धीमा कर देता है। यदि क्षेत्र "बहुत ऊबड़-खाबड़" (ऋणात्मक वक्रता) है, तो यह चीजों को सुनिश्चित करने के लिए गति बढ़ाता है कि संदेश फंस न जाए। परीक्षणों में, इस सरल समायोजन ने 20 में से 16 विभिन्न डेटासेट्स पर मानक AI मॉडल के प्रदर्शन में सुधार किया।
ENT (नेटवर्क के लिए GPS):
मानक AI मॉडल अक्सर उस डेटा के "आकार" को समझने में संघर्ष करते हैं जिसे वे देख रहे होते हैं। लेखकों ने ENT बनाया, जो नेटवर्क की संरचना का वर्णन करने का एक नया तरीका है। केवल पड़ोसियों को गिनने के बजाय, ENT एक नोड के "वक्रता हस्ताक्षर" (curvature signature) का वर्णन करता है—AI को बताता है कि वह एक भीड़भाड़ वाले समूह (clique) में है, एक अकेले पेड़ में, या एक बाधा (bottleneck) में। जब AI इस मानचित्र का उपयोग करता है, तो यह पैटर्न की पहचान करने में बेहतर प्रदर्शन करता है, 5 में से 4 प्रमुख बेंचमार्क पर पिछले तरीकों से बेहतर प्रदर्शन करता है, हालांकि यह विस्कॉन्सिन (Wisconsin) डेटासेट पर एक विशिष्ट विधि से थोड़ा पीछे रह गया।
MCR (सड़क निर्माता):
कभी-कभी, नेटवर्क गलत तरीके से बना होता है। मिडपॉइंट-कम्प्लीशन रीवायरिंग (MCR) एल्गोरिदम एक शहर योजनाकार की तरह कार्य करता है जो नए शॉर्टकट जोड़ता है। यह नेटवर्क के सबसे अधिक "बाधा वाले" हिस्सों (जहाँ वक्रता सबसे अधिक ऋणात्मक है) को ढूंढता है और ट्रैफिक के प्रवाह के लिए एक "मिडपॉइंट" बनाने के लिए एक नया कनेक्शन जोड़ता है। यह केवल यादृच्छिक सड़कें नहीं जोड़ता; यह विशेष रूप से कमजोर स्थानों को लक्षित करता है। शोध पत्र दिखाता है कि यह विधि सूचना के मिश्रण की क्षमता को अन्य विधियों की तुलना में तेजी से बढ़ाती है, प्रभावी रूप से "स्पेक्ट्रल गैप" (एक नेटवर्क के बेहतर जुड़ाव का माप) को चौड़ा करती है।

प्रमाण परिणाम में है

लेखकों ने केवल कल्पना नहीं की; उन्होंने इसे कड़ाई से परखा। उन्होंने छह अलग-अलग प्रकार के ग्राफों (साइटेशन नेटवर्क से लेकर सोशल नेटवर्क तक) पर अपने नए उपकरणों का मौजूदा सर्वोत्तम तरीकों (जैसे SDRF, FoSR, और LCP) के विरुद्ध परीक्षण किया।

नोड क्लासिफिकेशन के लिए: जब कार्य व्यक्तिगत नोड्स को लेबल करना था (जैसे यह पहचानना कि कोई व्यक्ति "छात्र" है या "शिक्षक"), तो नया E-Gate और ENT टूल लगातार प्रतिस्पर्धा से बेहतर रहे (विस्कॉन्सिन के अपवाद के साथ)।
ग्राफ क्लासिफिकेशन के लिए: जब कार्य पूरे नेटवर्क को लेबल करना था (जैसे यह पहचानना कि कोई अणु विषैला है या नहीं), तो नए तरीकों ने अपनी जगह बनाई, यह दिखाते हुए कि यह ज्यामितीय दृष्टिकोण विभिन्न पैमानों पर काम करता है।
वक्रता संबंध: उन्होंने एक सिमुलेशन भी चलाया जहाँ उन्होंने एक नेटवर्क की "वक्रता" को बदला और देखा कि AI कितनी अच्छी तरह सीखता है। उनके सिद्धांत के अनुसार, "बेहतर" वक्रता सीमाओं वाले नेटवर्क में उनके प्रशिक्षण प्रदर्शन और वास्तविक दुनिया के प्रदर्शन के बीच का अंतर कम था।

यह क्यों मायने रखता है

यह शोध पत्र बातचीत को बदल देता है। "ओवरस्मूथिंग" और "ओवरस्क्वैशिंग" को दो अलग-अलग बग्स के रूप में इलाज करने के बजाय, जिन्हें अलग-अलग पैच के साथ ठीक किया जाना है, यह दिखाता है कि वे एक ही सिक्के के दो पहलू हैं। एंट्रोपिक कर्वेचर पेश करके, लेखक पूरे नेटवर्क की ज्यामिति को देखने के लिए एक वैश्विक लेंस प्रदान करते हैं। उन्होंने सिद्ध किया कि हालांकि हम एक साथ एक पूर्ण, विरल और स्थिर नेटवर्क नहीं रख सकते, फिर भी हम इस ज्ञान का उपयोग इन समझौतों के बीच बेहतर उपकरण बनाने के लिए कर सकते हैं।

यह कार्य सुझाव देता है कि ग्राफ न्यूरल नेटवर्क का भविष्य केवल अधिक परतों या अधिक डेटा को जोड़ने में नहीं है, बल्कि डेटा के आकार को समझने में है। नेटवर्क को पहाड़ियों, घाटियों और बाधाओं वाले परिदृश्य के रूप में मानकर, हम ऐसा AI बना सकते हैं जो केवल पैटर्न को याद नहीं करता, बल्कि वास्तव में उस इलाके को समझता है जिस पर वह चलता है। लेखक स्वीकार करते हैं कि उनकी विधि इस बात पर निर्भर करती है कि हम नेटवर्क के "द्रव्यमान" (mass) को कैसे मापते हैं, और ऐसा करने का सही तरीका खोजना भविष्य के लिए एक नया साहसिक कार्य है। लेकिन अभी के लिए, उन्होंने हमें एक शक्तिशाली नया मानचित्र और जटिल जुड़े हुए डेटा की दुनिया में नेविगेट करने के लिए उपकरणों का एक सेट थमा दिया है।

तकनीकी सारांश: एंट्रोपिक कर्वेचर के माध्यम से ग्राफ न्यूरल नेटवर्क के लिए स्थानीय-वैश्विक ज्यामितीय अंतर्दृष्टि

समस्या विवरण

ग्राफ न्यूरल नेटवर्क (GNNs) दो मौलिक चुनौतियों का सामना करते हैं: ओवरस्मूथिंग (oversmoothing), जहाँ गहरे स्तर (layers) नोड विशेषताओं को अविभेद्य बना देते हैं, और ओवरस्क्वैशिंग (oversquashing), जहाँ लंबी दूरी की जानकारी बाधाओं (bottlenecks) के माध्यम से संकुचित हो जाती है। मौजूदा समाधान अक्सर असतत ग्राफ कर्वेचर (जैसे Ollivier–Ricci, Forman) पर निर्भर करते हैं जो स्वाभाविक रूप से स्थानीय (local) होते हैं, और किनारों (edges) या एक-हॉप पड़ोस का मूल्यांकन करते हैं। फलस्वरूप, ये मेट्रिक्स यह प्रमाणित करने में विफल रहते हैं कि सूचना लंबी दूरी तक कैसे प्रसारित होती है या ऑप्टिमल ट्रांसपोर्ट (optimal transport) पर आधारित एक एकल सैद्धांतिक ढांचे के भीतर ओवरस्मूथिंग और ओवरस्क्वैशिंग को कैसे एकीकृत किया जाए। लेखक तर्क देते हैं कि ओवरस्मूथिंग और ओवरस्क्वैशिंग को वर्तमान में अलग-अलग, अक्सर असंगत स्थानीय मात्राओं द्वारा निदान किया जाता है, जिनमें वैश्विक ज्यामितीय परिप्रेक्ष्य की कमी है।

कार्यप्रणाली

यह शोध पत्र एंट्रोपिक कर्वेचर (Entropic Curvature) पेश करता है, जो Lott–Sturm–Villani (LSV) ढांचे से प्राप्त एक वैश्विक, ट्रांसपोर्ट-आधारित कर्वेचर है। किनारा-आधारित मेट्रिक्स के विपरीत, यह दृष्टिकोण ग्राफ को एक मीट्रिक-मेजर स्पेस (metric-measure space) के रूप में मानता है और कर्वेचर का मूल्यांकन $W_1$ -वॉसरस्टीन जियोडेसिक्स ( $W_1$ -Wasserstein geodesics) (ऑप्टिमल ट्रांसपोर्ट पथों) के साथ एंट्रॉपी फंक्शनल (entropy functional) की उत्तलता (convexity) की जांच करके करता है।

सैद्धांतिक ढांचा

वैश्विक परिभाषा: एंट्रोपिक कर्वेचर $\kappa$ को उस सबसे बड़े स्थिरांक के रूप में परिभाषित किया गया है जिससे एंट्रॉपी फंक्शनल ग्राफ पर किसी भी दो प्रायिकता मापों (probability measures) को जोड़ने वाले निरंतर-गति $W_1$ -जियोडेसिक्स के साथ $\kappa$ -कन्वेक्सिटी (convexity) की स्थिति को संतुष्ट करता है।
व्यावहारिक प्रॉक्सी ( $\kappa_w$ ): चूंकि बड़े ग्राफों के लिए वैश्विक जियोडेसिक्स की गणना करना कठिन है, इसलिए लेखक एक कमजोर एंट्रोपिक कर्वेचर (Weak Entropic Curvature) प्रॉक्सी, $\kappa_w$ $κ_{w}$ को परिभाषित करते हैं। यह मीट्रिक 2-हॉप पड़ोस (2-स्फीयर $S_2(u)$ $S_{2} (u)$ ) के भीतर प्रायिकता सिम्प्लेक्स (probability simplex) पर एक प्रतिबंधित अनुकूलन समस्या को हल करके निकाला जाता है।
- $\kappa_w(u) := -2 \log H_L(u, S_2(u))$ , जहाँ $H_L$ सापेक्ष पथ भार (relative path weights) के माध्यम से ट्रांसपोर्ट रेडंडेंसी को मापने वाला एक स्थानीय फंक्शनल है।
- थ्योरम 3.3 सिद्ध करता है कि $\kappa_w$ वैश्विक एंट्रोपिक कर्वेचर $\kappa$ के लिए एक कठोर निचला स्तर (lower bound) है ( $\kappa \ge \kappa_w$ )।
जेनेरेटर और मेजर: ढांचा एक प्रतिवर्ती मार्कोव जेनेरेटर $L$ और एक संदर्भ मेजर $m$ का उपयोग करता है। मानक कार्यान्वयन यूनिफॉर्म मेजर $m_0$ और अननॉर्मलाइज्ड कॉम्बिनेटोरियल लैप्लासियन $L_0$ का उपयोग करता है।

प्रमुख सैद्धांतिक परिणाम

एक्सपेंशन विरोधाभास (Expansion Paradox - Theorem 4.2): यह शोध पत्र एक संरचनात्मक असंभवता प्रमेय सिद्ध करता है: बड़े ग्राफों की सीमा में, यह एक साथ स्पर्सिटी (sparsity) (सीमित डिग्री), मजबूत स्पेक्ट्रल एक्सपेंशन (तेज़ मिक्सिंग, जो ओवरस्क्वैशिंग को रोकता है), और धनात्मक एंट्रोपिक कर्वेचर (ज्यामितीय नियमितता, जो ओवरस्मूथिंग को रोकता है) प्राप्त करना असंभव है। यह ओवरस्मूथिंग और ओवरस्क्वैशिंग को एक ही कर्वेचर स्पेक्ट्रम के विपरीत छोरों के रूप में एकीकृत करता है।
सामान्यीकरण सीमाएँ (Generalization Bounds - Theorems 5.2 & 5.3): लेखक ट्रांसपोर्ट-एंट्रॉपी असमानताओं को व्युत्पन्न करते हैं जो $\kappa_w$ $κ_{w}$ के आधार पर सामान्यीकरण अंतराल (ट्रेनिंग और टेस्ट रिस्क के बीच का अंतर) को सीमित करती हैं।
- धनात्मक कर्वेचर शासन ( $\kappa_w > 0$ ) में, अंतराल $O(1/\sqrt{\kappa_w})$ द्वारा सीमित है।
- ऋणात्मक कर्वेचर शासन ( $\kappa_w \ge -K$ ) में, सीमा ग्राफ व्यास $D$ और ऋणात्मक कर्वेचर स्केल $K$ पर निर्भर करती है, जो $D$ के साथ तेजी से (exponentially) बिगड़ती है।
पोइन्केयर-प्रकार की असमानताएँ (Poincaré-type Inequalities): धनात्मक $\kappa_w$ एक पोइन्केयर असमानता को नियंत्रित करता है जो डिरिचलेट ऊर्जा (Dirichlet energy) के क्षय को नियंत्रित करती है, जो ओवरस्मूथिंग के लिए एक सैद्धांतिक तंत्र प्रदान करती है।

एल्गोरिथमिक योगदान

इस सिद्धांत को तीन व्यावहारिक तंत्रों में अनुवादित किया गया है:

E-Gate एग्रीगेटर: एक नोड-वाइज मॉड्यूलेशन तंत्र $R(u) = \sigma(-\tau \kappa_w(u))$ जो धनात्मक रूप से वक्र (positively curved) क्षेत्रों में एग्रीगेशन को कम करता है (कूलिंग डिफ्यूजन) और ऋणात्मक रूप से वक्र क्षेत्रों में इसे बढ़ाता है, जिससे GNN डायनेमिक्स को स्थानीय एंट्रोपिक ज्यामिति के अनुकूल बनाया जा सके।
ENT स्ट्रक्चरल एनकोडिंग: नोड्स के लिए एक 3-आयामी संरचनात्मक सिग्नेचर जिसमें नोड का $\kappa_w$ और उसके पड़ोसियों का min/max $\kappa_w$ शामिल है। यह स्थानीय ज्यामितीय ग्रेडिएंट और एनिसोट्रॉपी (anisotropy) को कैप्चर करता है।
मिडपॉइंट-कंप्लीशन रीवायरिंग (MCR): एक रीवायरिंग रणनीति जो उन नोड्स को लक्षित करती है जिनमें सबसे अधिक ऋणात्मक कर्वेचर होता है। यह नए दो-हॉप जियोडेसिक मिडपॉइंट्स बनाने के लिए किनारे जोड़ता है, जो सिद्ध रूप से स्थानीय कमजोर एंट्रोपिक कर्वेचर को गैर-घटता (non-decreasing) बनाता है (थ्योरम 4.3) और स्पेक्ट्रल गैप में सुधार करता है।

परिणाम

प्रस्तावित विधियों का छह नोड-वर्गीकरण बेंचमार्क (Cora, CiteSeer, PubMed, Cornell, Wisconsin, Texas) और ग्राफ-वर्गीकरण कार्यों (TUDataset) पर अत्याधुनिक कर्वेचर-जागरूक बेसलाइनों (SDRF, FoSR, BORF, LCP, Graph Ricci Flow) के विरुद्ध परीक्षण किया गया।

नोड वर्गीकरण:
- E-Gate: इसने 16 में से 20 (बैकबोन, डेटासेट) जोड़ों में सांख्यिकीय महत्व ( $p < 0.05$ ) के साथ बैकबोन प्रदर्शन में सुधार किया। लाभ हेटरोफिलिक (heterophilic) डेटासेट्स (Cornell, Wisconsin) पर सबसे अधिक स्पष्ट थे, जहाँ बॉटलनैक्स अक्सर मौजूद होते हैं।
- ENT एनकोडिंग: इसने 5 में से 4 बेंचमार्क पर LCP, LAPE, RWPE, और EGO को पछाड़ दिया। यह हेटरोफिलिक ग्राफों पर विशेष शक्ति दिखाता है जहाँ स्थानीय मेट्रिक्स अक्सर ट्रांसपोर्ट बॉटलनैक्स को पकड़ने में विफल रहते हैं।
रीवायरिंग (MCR): छह रैंडम ग्राफ परिवारों (Cayley, SBM, Small-World, RGG, Barabási-Albert, Config) पर प्रयोगों में, MCR ने Ollivier-Ricci (ORC) और Forman-Ricci (FRC) रीवायरिंग की तुलना में स्पेक्ट्रल गैप ( $\Delta \lambda_2$ ) में लगातार अधिक सुधार हासिल किया।
सामान्यीकरण (Generalization): स्टोकेस्टिक ब्लॉक मॉडल (SBM) पर अनुभवजन्य विश्लेषण ने औसत कमजोर एंट्रोपिक कर्वेचर और सामान्यीकरण अंतराल के बीच एक महत्वपूर्ण नकारात्मक सहसंबंध प्रकट किया, जो इसके सैद्धांतिक बंधों को मान्य करता है।

महत्व और दावे

यह शोध पत्र GNN डायनेमिक्स को समझने के लिए एक एकीकृत ज्यामितीय सिद्धांत प्रदान करने का दावा करता है। स्थानीय किनारों की तुलना से वैश्विक ट्रांसपोर्ट-आधारित कर्वेचर की ओर स्थानांतरित होकर, यह कार्य:

ओवरस्मूथिंग और ओवरस्क्वैशिंग को एकीकृत करता है: यह प्रदर्शित करता है कि वे स्वतंत्र विफलता मोड नहीं हैं, बल्कि एक ही कर्वेचर स्पेक्ट्रम के प्रकटीकरण हैं, जो "एक्सपेंशन पैराडॉक्स" द्वारा शासित होते हैं।
सैद्धांतिक गारंटी प्रदान करता है: यह ग्राफ की ज्यामिति से सीधे जुड़े हुए ओवरस्मूथिंग (पोइन्केयर असमानताओं के माध्यम से) और सामान्यीकरण (ट्रांसपोर्ट-एंट्रॉपी असमानताओं के माध्यम से) पर मात्रात्मक सीमाएं प्रदान करता है।
व्यावहारिक एल्गोरिदम प्रदान करता है: यह अमूर्त कर्वेचर सिद्धांत को E-Gate, ENT, MCR जैसे ठोस, स्केलेबल घटकों में अनुवादित करता है, जो वैश्विक स्पेक्ट्रल अपघटन (spectral decomposition) की आवश्यकता के बिना प्रदर्शन में सुधार करते हैं।

लेखक इसकी सीमाओं को नोट करते हैं, विशेष रूप से संदर्भ मेजर $m$ पर $\kappa_w$ की निर्भरता, जो यह सुझाव देती है कि कर्वेचर को अधिकतम करने के लिए एक इष्टतम मेजर को सीखना भविष्य की एक आशाजनक दिशा है। यह कार्य एंट्रोपिक कर्वेचर को ऑप्टिमल ट्रांसपोर्ट थ्योरी और मजबूत, सामान्यीकरण योग्य GNNs के व्यावहारिक डिजाइन के बीच एक सेतु के रूप में स्थापित करता है।