研究人员提出了一种名为分层多视图HAAR（HMH）的新型图神经网络框架，专门用于处理异配图分类中的挑战。异配图常见于社交网络和分子相互作用等实际应用中，其相邻节点往往具有不同的标签，使得传统图神经网络难以有效学习。现有频谱图神经网络方法在处理异配图时，通常存在中心节点主导的聚合和过平滑问题，这些方法使用次优的多项式滤波器，引入近似误差并混合远距离信号，导致模型性能下降。
HMH框架通过以下方式解决了这些问题：首先，一个异配感知编码器学习特征和结构感知的符号亲和度，能够同时捕捉节点特征和拓扑结构中的异配模式。基于这些嵌入，HMH构建了一个软图层次结构，将图逐步粗化为多尺度表示。在每个层次上，HMH构造一个稀疏、正交且局部感知的Haar小波基，以便在频域应用可学习的频谱滤波器，从而避免传统多项式滤波器的近似误差。最后，跳跃连接反池化层将所有层次的输出组合回原始图，有效防止中心节点主导和长距离信号瓶颈（过压缩）。这种设计使得模型能够同时捕获局部和全局信息，同时保持计算效率。
实验结果表明，HMH在节点分类任务上比现有最优频谱方法提高了最多3%，在图分类数据集上提高了7个百分点，同时保持了近线性可扩展性。研究人员在多个基准数据集上进行了评估，包括异配性和同配性图，验证了HMH的鲁棒性和泛化能力。该工作为异配图学习提供了一种高效且鲁棒的解决方案，有望推动相关领域的进一步研究，例如社交网络分析和药物发现中的分子性质预测。