Cet article présente TRIGON, une nouvelle technique de reconstruction de graphes, visant à résoudre les problèmes d'écrasement et de lissage excessifs qui entravent les performances des réseaux de neurones graphes (GNN), qui se sont imposés comme une méthode de pointe pour l'apprentissage de données structurées en graphes. TRIGON est un framework qui construit des triangulations riches et non planes en sélectionnant des triangles pertinents à partir de diverses perspectives de graphes. En optimisant conjointement les performances de sélection et de classification des triangles, il génère des graphes reconstruits présentant des propriétés structurelles nettement améliorées, notamment un diamètre plus petit, un espacement spectral plus grand et une résistance effective plus faible, par rapport aux méthodes existantes. Les résultats expérimentaux obtenus sur des tâches de classification de nœuds dans divers benchmarks homogènes et hétérogènes démontrent que TRIGON surpasse les techniques de pointe.
