Attention auto-duale à double embedding pour les graphes à hétérophilie

Les réseaux de neurones sur graphes (GNNs) se sont avérés particulièrement efficaces pour la classification des nœuds. Les GNNs supposent généralement que les graphes sont homophiles, c’est-à-dire que les nœuds voisins ont tendance à appartenir à la même classe. Toutefois, de nombreux graphes du monde réel présentent une hétérophilie, ce qui entraîne une précision de classification nettement plus faible lorsqu’on utilise des GNNs classiques. Dans ce travail, nous proposons un nouveau GNN efficace aussi bien pour les graphes hétérophiles que homophiles. Notre approche repose sur trois observations principales. Premièrement, nous montrons que les caractéristiques des nœuds et la topologie du graphe apportent des niveaux variés d’information selon les graphes, et qu’ils doivent donc être encodés de manière indépendante et priorisés de façon adaptative. Deuxièmement, nous démontrons qu’autoriser des poids d’attention négatifs lors de la propagation de l’information topologique améliore la précision. Troisièmement, nous montrons que des poids d’attention asymétriques entre nœuds sont bénéfiques. Nous concevons un GNN qui exploite ces observations grâce à un nouveau mécanisme d’attention auto-adaptative. Nous évaluons notre algorithme sur des graphes du monde réel comptant des milliers à des millions de nœuds, et démontrons qu’il atteint des performances de pointe par rapport aux GNNs existants. Nous analysons également l’efficacité des composants principaux de notre architecture sur différents types de graphes.