Amélioration de l’extraction d’information intra-classe pour les graphes hétérophiles : une approche de recherche d’architecture neuronale

Ces dernières années, les réseaux de neurones sur graphes (Graph Neural Networks, GNNs) ont connu une grande popularité dans le domaine de l’apprentissage des représentations de graphes, sous l’hypothèse de la propriété d’homophilie, selon laquelle les nœuds reliés partagent généralement la même étiquette ou des caractéristiques similaires. Toutefois, ces méthodes peinent à généraliser efficacement aux graphes hétérophiles, caractérisés par un faible ou un niveau moyen d’homophilie. Les approches existantes tentent de résoudre ce problème en renforçant l’extraction d’informations intra-classe, soit en concevant des GNNs plus performants pour améliorer l’efficacité du modèle, soit en réinventant la structure du graphe afin d’intégrer davantage de nœuds intra-classe provenant de voisins éloignés. Malgré leurs succès, nous observons deux axes pouvant être améliorés : (a) renforcer l’extraction d’informations relatives au nœud lui-même, qui constitue une source plus fiable pour l’extraction d’informations intra-classe ; (b) concevoir des GNNs adaptés au niveau individuel des nœuds, afin de mieux s’ajuster aux variations du ratio d’homophilie entre les nœuds. Dans cet article, nous proposons une nouvelle méthode, IIE-GNN (Intra-class Information Enhanced Graph Neural Networks), visant à réaliser ces deux améliorations. Nous introduisons un cadre unifié fondé sur la littérature, dans lequel les informations intra-classe provenant du nœud lui-même et de ses voisins peuvent être extraites grâce à sept blocs soigneusement conçus. Grâce à une recherche d’architecture neuronale (Neural Architecture Search, NAS), nous proposons un nouvel espace de recherche basé sur ce cadre, ainsi qu’un prédicteur d’architecture permettant de concevoir des GNNs spécifiques à chaque nœud. Nous menons des expériences pour démontrer que IIE-GNN améliore significativement les performances du modèle en concevant des GNNs adaptés aux nœuds afin de renforcer l’extraction d’informations intra-classe.