En exploitant la structure des graphes, les réseaux de neurones graphiques (GNN) sont devenus un modèle efficace pour les jeux de données basés sur des graphes. Bien qu’il soit largement admis que les GNN surpassent les réseaux de neurones classiques, des recherches récentes montrent que, pour certains jeux de données, les réseaux de neurones traditionnels obtiennent de meilleures performances. L’hétérophilie constitue l’une des principales causes de dégradation des performances des GNN, et de nombreux modèles ont été proposés pour y remédier. En outre, certaines informations intrinsèques de la structure du graphe sont souvent négligées, telles que la direction des arêtes. Dans ce travail, nous proposons GNNDLD, un modèle qui exploite à la fois la direction des arêtes et la distribution des étiquettes autour d’un nœud dans des voisinages variés (par saut, hop-wise). Nous combinons les caractéristiques issues de toutes les couches afin de préserver à la fois les composantes de basse fréquence (low-pass) et de haute fréquence (high-pass) d’un nœud, car les différentes couches des réseaux de neurones fournissent des types d’information distincts. Par ailleurs, afin d’éviter le phénomène d’over-smoothing, nous découplons les opérations d’agrégation des caractéristiques des nœuds et de transformation. En combinant tous ces principes, nous présentons un modèle simple mais très efficace. Des expériences menées sur six jeux de données réels standards démontrent la supériorité de GNNDLD par rapport aux modèles de pointe, tant dans les scénarios d’homophilie que d’hétérophilie.