Au-delà de l'homophilie avec les réseaux d'état d'écho graphiques

Les réseaux de neurones à état d’écho graphiques (GESN) ont déjà démontré leur efficacité et leur efficience dans les tâches de classification de graphes. Toutefois, la classification de nœuds en semi-supervisé a mis en évidence le problème de sur-lissage dans les modèles profonds entraînés end-to-end, qui induit un biais en faveur des graphes présentant une forte homophilie. Pour la première fois, nous évaluons les GESN sur des tâches de classification de nœuds à différents degrés d’homophilie, tout en analysant également l’impact du rayon du réservoir. Nos expériences montrent que les modèles à réservoir parviennent à atteindre une précision meilleure ou comparable à celle des modèles profonds entièrement entraînés, qui implémentent des variations spécifiques dans le biais architectural, tout en offrant un gain significatif en termes d’efficacité.