Rompre l'entrelacement de l'homophilie et de l'hétérophilie dans la classification de nœuds semi-supervisée

Récemment, les réseaux de neurones sur graphes (GNN) ont fait preuve d’une performance notable dans la classification de nœuds semi-supervisée en exploitant les connaissances provenant des bases de données de graphes. Toutefois, la plupart des GNN existants reposent sur l’hypothèse d’homophilie, selon laquelle les nœuds reliés présentent une distribution de caractéristiques similaire et le même étiquetage ; cette hypothèse s’est avérée fragile dans un nombre croissant d’applications pratiques. En complément, l’hétérophilie, qui reflète la dissimilarité entre nœuds connectés, a suscité un intérêt croissant dans le domaine de l’apprentissage sur graphes. Ainsi, les ingénieurs en données cherchent à concevoir un modèle GNN performant capable de garantir de bonnes performances aussi bien sous l’hypothèse d’homophilie que d’hétérophilie. Malgré de nombreuses tentatives, la plupart des GNN existants peinent à obtenir des représentations optimales des nœuds en raison des contraintes imposées par les graphes non orientés. Le simple fait d’ignorer les arêtes orientées conduit à des représentations de graphes sous-optimales, entravant ainsi la capacité des GNN. Pour remédier à ce problème, nous introduisons AMUD, une méthode qui évalue, sous un angle statistique, la relation entre les profils des nœuds et la topologie du graphe, offrant ainsi des perspectives précieuses pour modéliser de manière adaptative les graphes naturels, soit comme graphes non orientés, soit comme graphes orientés, afin de maximiser les bénéfices tirés de l’apprentissage ultérieur sur graphes. Par ailleurs, nous proposons un nouveau paradigme d’apprentissage sur graphes orientés, nommé Agrégation Adaptative de Motifs Orientés (ADPA), intégré dans AMUD. Des études empiriques montrent que AMUD permet un apprentissage graphique efficace. En outre, des expérimentations étendues sur 16 jeux de données standard confirment les performances remarquables d’ADPA, qui surpassent les méthodes de référence avec des marges significatives atteignant 3,96.