L'hypothèse du flocon hétérophile : Formation et mise en œuvre des GNN pour les graphes hétérophiles

Les réseaux de neurones sur graphes (GNN) sont devenus des outils essentiels pour une large gamme de tâches d'apprentissage basées sur les graphes. Notamment, la plupart des architectures GNN actuelles reposent sur l'hypothèse d'homophilie, qu'elle soit explicite ou implicite. Bien que cette hypothèse sous-jacente soit fréquemment adoptée, elle n'est pas universellement applicable, ce qui peut entraîner des limites potentielles en termes d'efficacité d'apprentissage. Dans cet article, pour la première fois, nous transférons le concept dominant de « un nœud, un champ réceptif » au cadre des graphes hétérophiles. En construisant un prédicteur de label proxy, nous permettons à chaque nœud de posséder une distribution de prédiction latente, qui aide les nœuds connectés à déterminer s'ils doivent agréger leurs voisins associés. En fin de compte, chaque nœud peut adopter son propre schéma et son propre nombre d'itérations d'agrégation, tout comme chaque flocon de neige est unique et possède ses propres caractéristiques. À partir de ces observations, nous introduisons de manière innovante l’Hypothèse du flocon hétérophile et proposons une solution efficace pour guider et favoriser la recherche sur les graphes hétérophiles et au-delà. Nous menons des expérimentations approfondies comprenant : (1) les résultats principaux sur 10 graphes présentant des ratios variables d'hétérophilie, sur 10 architectures de base (backbones) ; (2) l’analyse de la scalabilité sur diverses architectures profondes de GNN (SGC, JKNet, etc.) avec un nombre variable de couches (2, 4, 6, 8, 16, 32 couches) ; (3) une comparaison avec l’hypothèse classique du flocon ; (4) une évaluation de l’efficacité par rapport aux algorithmes existants de réduction de graphe (graph pruning). Nos résultats montrent que notre cadre opère comme un opérateur polyvalent adapté à diverses tâches. Il peut être intégré à différentes architectures GNN, améliorant significativement les performances tout en offrant une approche explicite pour sélectionner la profondeur optimale du réseau. Le code source est disponible à l’adresse suivante : \url{https://github.com/bingreeky/HeteroSnoH}.