Alors qu’un nombre croissant de travaux scientifiques s’intéressent aux nouveaux réseaux de neurones sur graphes (GNN) capables de fonctionner aussi bien sur des graphes homophiles que hétérophiles, très peu d’efforts ont été consacrés à l’adaptation des GNN classiques aux graphes moins homophiles. Bien que leur capacité à traiter les graphes peu homophiles soit limitée, les GNN classiques conservent plusieurs propriétés attractives, telles que l’efficacité, la simplicité et l’explicabilité. Dans ce travail, nous proposons une nouvelle méthode de restructuration de graphe pouvant être intégrée à tout type de GNN, y compris les GNN classiques, afin d’exploiter les avantages des modèles existants tout en atténuant leurs limites. Notre contribution est triple : a) apprentissage des poids des pseudo-vecteurs propres pour une clustering spectral adaptatif aligné efficacement avec les étiquettes connues des nœuds ; b) proposition d’une nouvelle métrique homophile sensible à la densité, robuste aux déséquilibres de labels ; c) restructuration de la matrice d’adjacence à partir du résultat du clustering spectral adaptatif, visant à maximiser les scores d’homophilie. Les résultats expérimentaux montrent que notre méthode de restructuration de graphe permet d’améliorer significativement la performance de six GNN classiques, avec une augmentation moyenne de 25 % sur des graphes peu homophiles. Cette amélioration est comparable aux performances des méthodes de pointe actuelles.