La Directionnalité des Arêtes Améliore l'Apprentissage sur les Graphes Hétérophiles

Les Réseaux Neuraux sur Graphes (RNG) sont devenus l'outil standard de facto pour modéliser les données relationnelles. Cependant, bien que de nombreux graphes du monde réel soient orientés, la majorité des modèles de RNG actuels ignorent cette information en rendant simplement le graphe non orienté. Les raisons de cela sont historiques : 1) de nombreuses variantes précoces des RNG spectraux nécessitaient explicitement des graphes non orientés, et 2) les premiers benchmarks sur des graphes homophiles n'ont pas trouvé d'amélioration significative grâce à l'utilisation de la direction. Dans cet article, nous montrons que dans les contextes hétérophiles, traiter le graphe comme étant orienté augmente l'homophilie effective du graphe, suggérant un potentiel gain de l'utilisation correcte des informations de directionnalité. À cette fin, nous introduisons le Directed Graph Neural Network (Dir-RNG), un nouveau cadre général pour l'apprentissage profond sur les graphes orientés. Le Dir-RNG peut être utilisé pour étendre tout Réseau Neuronal à Passage de Messages (RNPM) afin de prendre en compte les informations de directionnalité des arêtes en effectuant des agrégations séparées des arêtes entrantes et sortantes. Nous démontrons que le Dir-RNG égale la puissance expressive du test dirigé Weisfeiler-Lehman, surpassant celle des RNPM conventionnels. Dans une série d'expériences approfondies, nous validons que notre cadre ne modifie pas les performances sur les jeux de données homophiles, mais entraîne d'importantes améliorations par rapport aux modèles de base tels que GCN, GAT et GraphSage sur les benchmarks hétérophiles, surpassant ainsi des méthodes beaucoup plus complexes et atteignant de nouveaux résultats d'état de l'art.