Propagation de distribution hétérophile pour les réseaux neuronaux graphiques

Les réseaux neuronaux sur graphes (GNNs) ont connu un succès remarquable dans diverses tâches d'exploration de graphes en agrégant des informations provenant des voisinages pour l'apprentissage de représentations. Ce succès repose sur l'hypothèse d'homophilie selon laquelle les nœuds voisins présentent des comportements similaires, bien que cette hypothèse puisse être violée dans de nombreux graphes du monde réel. Récemment, les réseaux neuronaux sur graphes hétérophiles (HeterGNNs) ont attiré une attention croissante en modifiant le schéma de passage de messages neuronaux pour les voisinages hétérophiles. Cependant, ils souffrent d'une partition insuffisante des voisinages et d'un modèle d'hétérophilie imparfait, deux aspects critiques mais difficiles à améliorer. Pour relever ces défis, nous proposons dans cet article la propagation de distribution hétérophile (HDP) pour les réseaux neuronaux sur graphes. Au lieu d'agréger des informations provenant de tous les voisinages, HDP sépare de manière adaptative les voisins en parties homophiles et hétérophiles, en se basant sur les affectations pseudo durant l'entraînement. La distribution des voisinages hétérophiles est apprise avec une contrainte orientée vers l'orthogonalité via un paradigme d'apprentissage par contraste basé sur un prototype fiable. Les motifs homophiles et hétérophiles sont propagés grâce à un nouveau mécanisme de passage de messages sensible au sens sémantique. Nous avons mené des expériences approfondies sur 9 jeux de données de référence avec différents niveaux d'homophilie. Les résultats expérimentaux montrent que notre méthode surpassent les méthodes de base représentatives sur les ensembles de données hétérophiles.