Les réseaux neuronaux modernes basés sur les graphes (GNNs) apprennent des plongements de nœuds par l'agrégation locale à plusieurs couches et obtiennent d'excellents résultats dans les applications sur les graphes assortatifs. Cependant, les tâches sur les graphes dissortatifs nécessitent généralement une agrégation non-locale. De plus, nous avons constaté que l'agrégation locale peut même être nuisible pour certains graphes dissortatifs. Dans cette étude, nous proposons un cadre d'agrégation non-locale simple mais efficace, avec un tri guidé par l'attention pour les GNNs. À partir de ce cadre, nous développons divers GNNs non-locaux. Nous menons des expériences approfondies pour analyser les ensembles de données de graphes dissortatifs et évaluer nos GNNs non-locaux. Les résultats expérimentaux montrent que nos GNNs non-locaux surpassent considérablement les méthodes précédentes de pointe sur sept ensembles de données de référence de graphes dissortatifs, tant en termes de performance du modèle que d'efficacité.