Les réseaux de neurones graphiques (GNN) ont fait preuve d’avantages significatifs dans les tâches d’analyse basées sur les graphes. Toutefois, la plupart des méthodes existantes reposent sur l’hypothèse d’homogénéité et se comportent médiocrement sur les graphes hétérophiles, où les nœuds reliés présentent des caractéristiques différentes et des étiquettes de classe distinctes, et où les nœuds sémantiquement liés peuvent être séparés par plusieurs sauts. Pour surmonter cette limitation, cet article présente GraphRARE, un cadre général fondé sur l’entropie relative des nœuds et l’apprentissage par renforcement profond, visant à renforcer la capacité d’expression des GNN. Une nouvelle mesure d’entropie relative des nœuds, prenant en compte à la fois les caractéristiques des nœuds et leur similarité structurelle, est proposée pour évaluer l’information mutuelle entre les paires de nœuds. Par ailleurs, afin d’éviter les solutions sous-optimales causées par le mélange d’informations utiles et de bruit provenant de nœuds éloignés, un algorithme basé sur l’apprentissage par renforcement profond est développé pour optimiser la topologie du graphe. Cet algorithme sélectionne les nœuds informatifs tout en éliminant ceux qui introduisent du bruit, en s’appuyant sur l’entropie relative des nœuds définie précédemment. Des expérimentations étendues ont été menées sur sept jeux de données réels. Les résultats expérimentaux démontrent l’efficacité supérieure de GraphRARE en classification de nœuds ainsi que sa capacité à améliorer la topologie initiale du graphe.