CAT : Un réseau d'attention graphique causale pour le découpage des graphes hétérophiles

Le mécanisme de passage de message guidé par l’attention locale (LAMP), adopté dans les réseaux de graphes à attention (GAT), est conçu pour apprendre de manière adaptative l’importance des nœuds voisins afin d’améliorer l’agrégation locale sur le graphe. Ce mécanisme permet efficacement de rapprocher les représentations des voisins similaires, renforçant ainsi la capacité de discrimination. Toutefois, les GAT existants subissent une dégradation significative de leur capacité de discrimination sur les graphes hétérophiles, en raison de la forte proportion de voisins dissimilaires, qui affaiblit l’attention auto-associée du nœud central et entraîne une déviation de ce dernier par rapport aux nœuds similaires dans l’espace de représentation. Ce phénomène, induit par les voisins, est désigné dans cet article comme l’Effet de Distraction (DE). Pour estimer et atténuer ce DE, nous proposons un réseau d’attention causale pour le découpage des graphes hétérophiles (CAT). Pour estimer le DE, étant donné qu’il est généré via deux voies (attirer l’attention affectée aux voisins et réduire l’attention auto-associée du nœud central), nous utilisons l’Effet Total, une mesure causale pouvant être estimée à partir de données intervenues ; pour atténuer le DE, nous identifions les voisins présentant le plus fort DE (que nous appelons les « voisins distracteurs ») et les éliminons. Nous intégrons trois GATs représentatifs comme modèle de base dans le cadre proposé CAT, et menons des expériences sur sept jeux de données hétérophiles de tailles différentes. Les expériences comparatives montrent que CAT améliore la précision de classification des nœuds pour tous les modèles GAT de base. Des expériences d’ablation et des visualisations complémentaires confirment également l’amélioration de la capacité de discrimination apportée par CAT. Le code source est disponible à l’adresse suivante : https://github.com/GeoX-Lab/CAT.