Le signe n’est pas un remède : passage de messages multiset à multiset pour l’apprentissage sur les graphes hétérophiles

Les réseaux de neurones sur graphes (GNN) ont suscité un intérêt croissant en tant que méthode puissante de modélisation et d'inférence, en particulier pour les données structurées en graphes homophiles. Pour renforcer les capacités des GNN sur des graphes hétérophiles, où les nœuds voisins présentent des étiquettes ou des caractéristiques différentes, la propagation de messages signés (Signed Message Passing, SMP) est largement adoptée. Toutefois, une analyse théorique et empirique approfondie des limites de SMP fait encore défaut. Dans ce travail, nous mettons en lumière certains pièges potentiels liés à SMP ainsi que leurs solutions. Nous identifions tout d'abord deux limitations de SMP : une mise à jour de représentation indésirable pour les voisins à plusieurs sauts, et une sensibilité aux problèmes d’over-smoothing. Pour surmonter ces défis, nous proposons une nouvelle fonction de propagation de messages, appelée Multiset to Multiset GNN (M2M-GNN). Nos analyses théoriques et nos expérimentations étendues démontrent que M2M-GNN atténue efficacement les limitations précédemment mentionnées de SMP, offrant ainsi des performances supérieures en comparaison.