研究者らは、異種親和性グラフ分類における課題に対処するため、階層的マルチビューHAAR（HMH）と呼ばれる新しいグラフニューラルネットワークフレームワークを提案した。異種親和性グラフは、隣接ノードが異なるラベルを持つことが多く、ソーシャルネットワークや分子間相互作用などの実世界のアプリケーションで広く見られる。従来のスペクトルグラフニューラルネットワーク手法は、ハブノード（次数の大きいノード）に支配された集約や過平滑化の問題を抱えており、これは準最適な多項式フィルタが近似誤差を導入し、遠方の信号を混同するためである。
HMHフレームワークは、まず異種親和性認識エンコーダを用いて特徴と構造を考慮した符号付き親和性を学習する。これにより、ノードの特徴とグラフのトポロジーの両方から異種親和性パターンを捉えることができる。次に、これらの埋め込みに基づいてソフトグラフ階層を構築し、グラフを段階的に粗い表現に変換する。各階層レベルで、HMHはスパースで正規直交かつ局所性を考慮したHaar基底を構築し、周波数領域で学習可能なスペクトルフィルタを適用する。これにより、従来の多項式フィルタに伴う近似誤差を回避する。最後に、スキップ接続アンプーリング層がすべての階層レベルの出力を元のグラフに結合し、ハブ支配や長距離信号のボトルネック（過圧縮）を効果的に防止する。この設計により、局所情報と大域情報の両方を効率的に捉えることができる。
実験結果は、HMHが最先端のスペクトルベースラインを上回り、ノード分類で最大3%、グラフ分類データセットで7%ポイントの改善を達成し、ほぼ線形のスケーラビリティを維持することを示している。研究者らは複数のベンチマークデータセットで評価を行い、異種親和性および同種親和性グラフの両方においてHMHのロバスト性と汎化能力を確認した。この研究は、異種親和性グラフ学習のための効率的かつ堅牢なソリューションを提供し、ソーシャルネットワーク分析や薬物発見における分子特性予測など、関連分野のさらなる研究を促進することが期待される。