Apprenez à partir de l’hétérophilie : Réseau de neurones graphique amélioré par l’information hétérophile

Dans les situations de hétérophilie, où les nœuds portant des étiquettes différentes ont tendance à être connectés sur la base de significations sémantiques, les Réseaux de Neurones Graphes (GNN) présentent souvent des performances sous-optimales. Les études actuelles sur la hétérophilie se concentrent principalement sur la calibration de l’agrégation ou l’extension des voisins, et tentent de résoudre le problème de hétérophilie en exploitant les caractéristiques des nœuds ou les informations structurelles afin d’améliorer les représentations fournies par les GNN. Dans cet article, nous proposons et démontrons que les informations sémantiques précieuses inhérentes à la hétérophilie peuvent être efficacement exploitées dans l’apprentissage sur graphes en étudiant la distribution des voisins pour chaque nœud individuel au sein du graphe. Une analyse théorique est menée afin de prouver l’efficacité de cette approche dans l’amélioration de l’apprentissage sur graphes. À partir de cette analyse, nous proposons HiGNN, une méthode innovante qui construit une nouvelle structure de graphe additionnelle, intégrant des informations hétérophiles grâce à l’exploitation de la distribution des nœuds afin d’améliorer la connectivité entre les nœuds partageant des caractéristiques sémantiques similaires. Nous réalisons des évaluations empiriques sur des tâches de classification de nœuds, en utilisant à la fois des jeux de données de référence homophiles et hétérophiles, et comparons HiGNN à des modèles GNN populaires ainsi qu’à des méthodes de pointe (SoTA), confirmant ainsi son efficacité dans l’amélioration des représentations sur graphes. En outre, en intégrant les informations hétérophiles, nous démontrons une amélioration notable des approches GNN existantes, ainsi qu’une augmentation du degré d’homophilie observé dans des jeux de données réels, ce qui confirme la pertinence et l’efficacité de notre méthode.