Este artículo presenta TRIGON, una novedosa técnica de reconstrucción de grafos, para abordar los problemas de sobrecompactación y sobresuavizado que afectan el rendimiento de las redes neuronales de grafos (GNN), que se han consolidado como un método líder para el aprendizaje de datos con estructura de grafos. TRIGON es un marco que construye triangulaciones ricas y no planas mediante la selección de triángulos relevantes desde diversas perspectivas de grafos. Al optimizar conjuntamente la selección de triángulos y el rendimiento de la clasificación, genera grafos reconstruidos con propiedades estructurales significativamente mejoradas, como un diámetro menor, un mayor espaciamiento espectral y una resistencia efectiva menor, en comparación con los métodos existentes. Los resultados experimentales en tareas de clasificación de nodos en diversos benchmarks homogéneos y heterogéneos demuestran que TRIGON supera a las técnicas más avanzadas.
