Спектральные графовые нейронные сети (GNN) традиционно плохо справляются с гетерофильными графами, где узлы-соседи часто принадлежат разным классам. Существующие подходы страдают от доминирования узлов с большой степенью и пересглаживания сигналов. Новая работа на arXiv предлагает решение — иерархическую многовьювную архитектуру HMH.
HMH (Hierarchical Multi-view HAAR) — это спектральный фреймворк, который масштабируется почти за линейное время. Сначала он с помощью кодировщика, учитывающего гетерофилию, вычисляет знаковые аффинности на основе признаков и структуры графа. Затем на основе этих эмбеддингов строится мягкая графовая иерархия.
На каждом уровне иерархии HMH формирует разреженный, ортонормированный и локально-ориентированный базис Хаара. Это позволяет применять обучаемые спектральные фильтры в частотной области, избегая аппроксимационных ошибок, типичных для полиномиальных фильтров. После обработки всех уровней выходные данные объединяются с помощью слоёв с skip-connection обратно в исходный граф.
Такой подход решает две ключевые проблемы: доминирование узлов-хабов и переуплотнение (over-squashing), которое возникает при передаче сигналов между удалёнными узлами. В результате HMH демонстрирует превосходство над современными спектральными базовыми моделями.
Эксперименты показали, что HMH улучшает точность классификации узлов до 3%, а классификации графов — на 7 процентных пунктов. При этом модель сохраняет линейную масштабируемость, что делает её пригодной для крупных графовых датасетов.
Разработка открывает новые возможности для анализа гетерофильных графов в социальных сетях, молекулярной биологии и других областях, где структура связей неоднородна. Исследование опубликовано в открытом доступе на платформе arXiv.