研究人員提出了一種名為分層多檢視HAAR（HMH）的新型圖神經網路框架，專門用於處理異配圖分類中的挑戰。異配圖常見於社交網路和分子相互作用等實際應用中，其相鄰節點往往具有不同的標籤，使得傳統圖神經網路難以有效學習。現有頻譜圖神經網路方法在處理異配圖時，通常存在中心節點主導的聚合和過平滑問題，這些方法使用次優的多項式濾波器，引入近似誤差並混合遠距離訊號，導致模型效能下降。
HMH框架透過以下方式解決了這些問題：首先，一個異配感知編碼器學習特徵和結構感知的符號親和度，能夠同時捕捉節點特徵和拓撲結構中的異配模式。基於這些嵌入，HMH構建了一個軟圖層次結構，將圖逐步粗化為多尺度表示。在每個層次上，HMH構造一個稀疏、正交且區域性感知的Haar小波基，以便在頻域應用可學習的頻譜濾波器，從而避免傳統多項式濾波器的近似誤差。最後，跳躍連線反池化層將所有層次的輸出組合回原始圖，有效防止中心節點主導和長距離訊號瓶頸（過壓縮）。這種設計使得模型能夠同時捕獲區域性和全域性資訊，同時保持計算效率。
實驗結果表明，HMH在節點分類任務上比現有最優頻譜方法提高了最多3%，在圖分類資料集上提高了7個百分點，同時保持了近線性可擴充套件性。研究人員在多個基準資料集上進行了評估，包括異配性和同配性圖，驗證了HMH的魯棒性和泛化能力。該工作為異配圖學習提供了一種高效且魯棒的解決方案，有望推動相關領域的進一步研究，例如社交網路分析和藥物發現中的分子性質預測。