Réseau de convolution de graphe par étiquette pour les graphes hétérophiles

Les réseaux de neurones graphiques (GNNs) ont obtenu des performances remarquables dans la modélisation des graphes pour diverses applications. Toutefois, la plupart des GNNs existants supposent que les graphes présentent une forte homophilie au niveau des étiquettes des nœuds, c’est-à-dire que les nœuds ayant des étiquettes similaires sont reliés entre eux. Cette hypothèse limite leur capacité à généraliser aux graphes hétérophiles, où des nœuds reliés peuvent avoir des étiquettes et des attributs dissemblables. Dans ce travail, nous proposons donc un cadre novateur qui se distingue par une bonne performance aussi bien sur des graphes homophiles que hétérophiles. Plus précisément, nous introduisons un mécanisme de passage de messages par étiquette, visant à éviter les effets négatifs dus à l’agrégation de représentations de nœuds dissemblables, tout en préservant les contextes hétérophiles pour l’apprentissage des représentations. Nous proposons également une méthode d’optimisation à deux niveaux permettant de sélectionner automatiquement le modèle adapté aux graphes homophiles ou hétérophiles. Une analyse théorique ainsi que des expériences étendues démontrent l’efficacité de notre cadre proposé pour la classification de nœuds sur des graphes à la fois homophiles et hétérophiles.