Beyond node-centric graph learning: advancing edge-aware GNNs for enhanced representation learning

Abstract

Graph Neural Networks (GNNs) have achieved state-of-the-art performance in representation learning, yet they predominantly treat edges as auxiliary structures for message passing, systematically overlooking their potential as primary informational entities. This thesis investigates the hypothesis that explicitly modeling edge attributes enhances predictive accuracy, particularly in systems governed by physical or logical flow constraints. We first establish a novel Taxonomy of Edge-Aware Graph Learning, categorizing existing approaches from random walks to modern Graph Transformers. Building upon this theoretical foundation, we propose AttEAGNN (Attention-based Edge- Aware GNN), a dual-stream architecture that processes node and edge features in parallel. A key innovation of our model is a magnitude-based edge attention mechanism, which acts as a learned saliency filter to dynamically weight topological importance without the computational overhead of dual-graph transformations. Extensive experiments on real-world backbone networks (Abilene and RNP) demonstrate that AttEAGNN significantly outperforms traditional node-centric baselines (GCN, GraphSAGE) in node load prediction tasks, achieving R² scores of up to 0.92. Error analysis reveals that our edge-aware approach is particularly effective at minimizing Root Mean Squared Error (RMSE), indicating superior capability in detecting network congestion and traffic bursts. While results on standard citation benchmarks (CORA, CITESEER, PUBMED) show competitive but mixed gains, they reinforce our finding that edge-aware learning is most critical in domains with rich, meaningful edge attributes. Finally, we address reproducibility challenges by releasing a modular, open-source framework for edge-aware GNN research. Keywords: graphs; graph neural networks; machine learning; edge-aware graph neural networks; graph analyticsAs Redes Neurais em Grafos (GNNs) têm alcançado desempenho de ponta em aprendizado de representações, contudo, predominantemente tratam as arestas como estruturas auxiliares para passagem de mensagens, negligenciando sistematicamente seu potencial como entidades informacionais primárias. Esta tese investiga a hipótese de que a modelagem explícita de atributos das arestas aumenta a acurácia preditiva, especialmente em sistemas governados por restrições físicas ou lógicas de fluxo. Inicialmente, estabelecemos uma nova Taxonomia de Aprendizado em Grafos Sensível às Arestas, categorizando abordagens existentes desde caminhadas aleatórias até modernos Graph Transformers. Com base nessa fundamentação teórica, propomos o AttEAGNN (Attention-based Edge-Aware GNN), uma arquitetura de fluxo duplo que processa, em paralelo, características de nós e arestas. Uma inovação central do modelo é um mecanismo de atenção em arestas baseado em magnitude, que atua como um filtro de saliência aprendido para ponderar dinamicamente a importância topológica, sem o custo computacional associado a transformações de grafo duplo. Experimentos extensivos em redes backbone reais (Abilene e RNP) demonstram que o AttEAGNN supera significativamente baselines tradicionais centrados em nós (GCN e GraphSAGE) em tarefas de predição de carga de nós, alcançando valores de R² de até 0,92. A análise de erro revela que a abordagem sensível às arestas é particularmente eficaz na minimização do Erro Quadrático Médio da Raiz (RMSE), indicando maior capacidade na detecção de congestionamentos de rede e rajadas de tráfego. Embora os resultados em benchmarks clássicos de citações (CORA, CITESEER, PUBMED) apresentem ganhos competitivos, porém heterogêneos, eles reforçam a constatação de que o aprendizado sensível às arestas é mais crítico em domínios onde as arestas possuem atributos ricos e semanticamente relevantes. Por fim, abordamos desafios de reprodutibilidade ao disponibilizar um framework modular e de código aberto para pesquisa em GNNs sensíveis às arestas. Palavras-chave: grafos; redes neurais de grafos; aprendizado de máquina; redes neurais de grafos cientes de arestas; análise de grafos