Graph neural networks (GNNs) have recently enabled great advances in leveraging graphs for accurate predictions. However, regular GNNs ignore the fact that graphs are often embedded in an underlying geometrical space. This thesis aims at alleviating this limitation by proposing and analyzing methods that go beyond structure and incorporate geometric information such as distances and directions. This enables models that are more accurate and robust, generalize better, and scale to larger graphs.
Translated abstract:
Graph-neuronale Netze (GNNs) haben große Fortschritte darin ermöglicht, Graphen für maschinelle Vorhersagen zu nutzen. Jedoch ignorieren reguläre GNNs, dass der sichtbare Graph oft in einen geometrischen Raum eingebettet ist. Diese Dissertation erweitert deshalb GNNs durch Methoden, die strukturelle Informationen mit geometrischen Informationen wie Distanzen und Richtungen verbinden. Dies ermöglicht Modelle, die präziser und robuster sind, besser generalisieren und zu großen Graphen skalieren.