Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation

Das Papier stellt Hierarchical Multi-view HAAR (HMH) vor, ein neuartiges spektrales Graphen-Lernframework, das Oversmoothing und grad-verzerrte Aggregation in heterophilen GNNs angeht. HMH konstruiert eine weiche Graphen-Hierarchie und wendet lernbare spektrale Filter mit Haar-Basen an, was eine nahezu lineare Skalierbarkeit ermöglicht.