Les réseaux de convolution sur graphes (GCN) sont largement utilisés dans diverses tâches sur graphes afin d’extraire des connaissances à partir de données spatiales. Notre étude constitue la première tentative quantitative visant à explorer la robustesse des GCN face aux graphes omniprésents à hétérophilie, dans le cadre de la classification de nœuds. Nous mettons en évidence que la vulnérabilité principale provient d’un problème de structure hors distribution (OOD). Ce constat nous motive à proposer une nouvelle méthode visant à renforcer les GCN en apprenant automatiquement des structures homophiles latentes sur des graphes hétérophiles. Nous désignons cette approche sous le nom de LHS (Latent Homophilic Structures). Plus précisément, notre démarche commence par l’apprentissage d’une structure latente à l’aide d’une technique novatrice d’expression auto-référentielle fondée sur les interactions multi-nœuds. Ensuite, cette structure est affinée par une méthode de contraste à deux vues contrainte par paires. En itérant ce processus, nous permettons au modèle GCN d’agréger l’information de manière homophile, même sur des graphes hétérophiles. Grâce à cette structure adaptable, nous pouvons efficacement atténuer les menaces liées à la structure OOD sur les graphes hétérophiles. Des expériences sur divers benchmarks démontrent l’efficacité de l’approche LHS proposée pour renforcer la robustesse des GCN.