Un réseau de neurones graphiques simple et évolutif pour les grands graphes orientés

La classification de nœuds est l'une des tâches les plus actuelles dans l'analyse des graphes. Bien que les études existantes aient exploré diverses représentations de nœuds dans les graphes dirigés et non dirigés, elles ont négligé les différences de leurs capacités à capturer l'information des graphes. Pour surmonter cette limitation, nous étudions différentes combinaisons de représentations de nœuds (caractéristiques agrégées contre listes d'adjacence) et de prise en compte de la direction des arêtes au sein d'un graphe d'entrée (dirigé contre non dirigé). Nous menons la première étude empirique visant à évaluer les performances de divers GNNs utilisant l'une ou l'autre de ces combinaisons. Nos expérimentations montrent qu'aucune combinaison unique ne parvient de manière stable à atteindre les meilleurs résultats sur tous les jeux de données, ce qui indique qu'il est nécessaire de sélectionner les combinaisons appropriées en fonction des caractéristiques de chaque jeu de données. En réponse, nous proposons une méthode de classification simple mais globale, A2DUG, qui exploite toutes les combinaisons de représentations de nœuds dans les graphes dirigés et non dirigés. Nous démontrons que A2DUG se distingue par une performance stable sur divers jeux de données et améliore l'exactitude jusqu'à 11,29 points par rapport aux méthodes de pointe. Pour stimuler le développement de nouvelles approches, nous mettons publiquement à disposition l'intégralité de notre code sous licence MIT.