Dépasser la limite des réseaux neuronaux graphiques en améliorant l'assortativité des graphes avec des modèles de mélange local

Les réseaux neuronaux sur graphes (GNNs) ont connu un succès considérable dans de nombreuses tâches d'apprentissage basées sur des graphes en fusionnant la structure du réseau et les caractéristiques des nœuds. Les modèles de GNN modernes sont construits sur l'agrégation itérative des caractéristiques des voisins ou de proximité par le passage de messages. On a démontré que leurs performances prédictives sont fortement limitées par le mélange assortatif dans le graphe, une propriété clé selon laquelle les nœuds aux attributs similaires se mélangent ou se connectent entre eux. Nous observons que les réseaux du monde réel présentent des motifs de mélange hétérogènes ou diversifiés, et que la mesure conventionnelle globale de l'assortativité, comme le coefficient d'assortativité global, peut ne pas être une statistique représentative pour quantifier ce mélange. Nous adoptons donc un concept généralisé, l'assortativité au niveau du nœud, qui est basé au niveau du nœud pour mieux représenter ces motifs diversifiés et quantifier avec précision l'apprenabilité des GNNs. Nous constatons que les performances prédictives d'une large gamme de modèles de GNN sont fortement corrélées à l'assortativité au niveau du nœud. Pour surmonter cette limite, dans cette étude, nous nous concentrons sur la transformation du graphe d'entrée en un graphe de calcul qui contient à la fois des informations de proximité et structurales sous forme de types distincts d'arêtes. Le graphe multi-relationnel résultant présente un niveau accru d'assortativité et, plus important encore, conserve des informations riches provenant du graphe original. Nous proposons ensuite d'exécuter les GNNs sur ce graphe de calcul et montrons que choisir adaptivement entre la structure et la proximité conduit à une meilleure performance sous différents motifs de mélange. Expérimentalement, nous démontrons les avantages de notre cadre de transformation pour la tâche de classification semi-supervisée des nœuds sur une variété de benchmarks d'apprentissage sur graphes issus du monde réel.