Les réseaux de neurones graphiques (GNNs) ont démontré de très bonnes performances sur les graphes présentant une forte homophilie par rapport aux étiquettes des nœuds, c’est-à-dire lorsque les nœuds connectés partagent la même étiquette. Toutefois, leur performance se détériore sur les graphes hétérophiles. Les approches récentes ont généralement cherché à surmonter cette limitation en modifiant les schémas d’agrégation ou en concevant des filtres graphiques adaptatifs, entre autres. Malgré ces efforts, les performances sur les graphes hétérophiles restent souvent insatisfaisantes. Nous proposons une méthode alternative simple, exploitant la décomposition en valeurs singulières tronquée (TSVD) de la structure topologique et des caractéristiques des nœuds. Notre approche atteint une amélioration pouvant aller jusqu’à ~30 % par rapport aux méthodes de pointe sur les graphes hétérophiles. Ce travail constitue une première exploration de méthodes s’écartant des approches fondées sur l’agrégation. Nos résultats expérimentaux suggèrent qu’il pourrait être crucial d’explorer d’autres alternatives aux méthodes d’agrégation dans le cadre des graphes hétérophiles.