Clarifier les nœuds confus grâce à l'apprentissage séparé

Les réseaux de neurones sur graphes (GNN) ont connu des progrès remarquables dans les tâches orientées graphes. Toutefois, les graphes du monde réel contiennent inévitablement une proportion de nœuds hétérophiles, ce qui remet en question l’hypothèse d’homophilie des GNN traditionnels et limite leur performance. La plupart des études existantes continuent de concevoir des modèles génériques avec partage de poids entre les nœuds hétérophiles et homophiles. Malgré l’intégration de messages de haut ordre ou de architectures à plusieurs canaux, ces approches peinent souvent à atteindre de bons résultats. Un nombre restreint d’études tente d’entraîner séparément différents groupes de nœuds, mais souffre de métriques de séparation inappropriées et d’une faible efficacité. Dans ce travail, nous proposons d’abord une nouvelle métrique, appelée Confusion de Voisinage (NC), afin de faciliter une séparation plus fiable des nœuds. Nous observons que les groupes de nœuds présentant des valeurs NC différentes diffèrent significativement en termes d’exactitude intra-groupe et d’embeddings visualisés. Ces observations ouvrent la voie au développement du réseau de convolution graphique guidé par la Confusion de Voisinage (NCGCN), dans lequel les nœuds sont regroupés selon leurs valeurs NC, et bénéficient d’un partage de poids et d’un passage de messages intra-groupe. Des expériences étendues sur des benchmarks à la fois homophiles et hétérophiles démontrent que notre cadre permet une séparation efficace des nœuds et une amélioration significative des performances par rapport aux méthodes les plus récentes. Le code source sera disponible à l’adresse suivante : https://github.com/GISec-Team/NCGNN.