Depuis l’application du deep learning aux données graphiques, les réseaux de neurones sur graphes (Graph Neural Networks, GNNs) sont devenus la méthode dominante pour la classification de nœuds sur les graphes ces dernières années. Pour attribuer des étiquettes prédéfinies aux nœuds, la plupart des GNNs adoptent une approche end-to-end inspirée du deep learning : les caractéristiques des nœuds sont fournies en entrée du modèle, tandis que les étiquettes des nœuds déjà classés servent à l’apprentissage supervisé. Toutefois, bien que ces méthodes exploitent pleinement les caractéristiques des nœuds et leurs relations, elles traitent les étiquettes de manière indépendante, en ignorant ainsi l’information structurelle inhérente à ces étiquettes. Afin d’exploiter les informations relatives à la structure des étiquettes, ce papier propose une méthode appelée 3ference, qui infère à partir de références présentant des différences. Plus précisément, 3ference prédit l’étiquette d’un nœud en combinant ses propres caractéristiques avec celles et les étiquettes de ses nœuds voisins pertinents. Grâce à l’information supplémentaire apportée par les étiquettes des nœuds voisins, 3ference parvient à capturer les motifs de transition d’étiquettes entre nœuds, comme le montrent une analyse ultérieure et une visualisation. Des expériences menées sur un graphe synthétique et sept graphes du monde réel démontrent que cette connaissance des associations entre étiquettes permet à 3ference de prédire avec une grande précision, tout en utilisant moins de paramètres, moins de nœuds pré-classés, et en s’adaptant à diverses configurations de distribution d’étiquettes, comparativement aux GNNs classiques.