Las redes neuronales de grafos (GNN) han demostrado ser eficaces en el aprendizaje de datos con estructura de grafos, pero presentan dificultades en grafos heterogéneos donde los nodos conectados presentan características o etiquetas de clase diferentes. Estas limitaciones se deben a la agregación indiscriminada de vecinos y a la integración insuficiente de patrones estructurales de alta dimensión. Para abordar estos problemas, en este artículo proponemos GLANCE (Red de Atención Lógica de Grafos con Mejora de Clúster), un novedoso marco que mejora el aprendizaje de la representación de grafos mediante la integración de razonamiento lógico, mejora dinámica de grafos y agrupamiento adaptativo. GLANCE combina una capa lógica para incrustaciones interpretables y estructuradas, poda de aristas basada en la atención multicabezal para la eliminación de ruido de la estructura del grafo y un mecanismo de agrupamiento para la captura de patrones globales. Los resultados experimentales en conjuntos de datos de referencia, como Cornell, Texas y Wisconsin, demuestran que GLANCE alcanza un rendimiento competitivo, proporcionando una solución robusta e interpretable para escenarios de grafos heterogéneos. El marco propuesto es ligero, adaptable y especialmente adecuado para la tarea de grafos heterogéneos.
