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

El artículo introduce Hierarchical Multi-view HAAR (HMH), un nuevo marco de aprendizaje espectral de grafos para abordar el sobre-suavizado y la agregación sesgada en GNNs heterófilas. HMH construye una jerarquía de grafos suave y aplica filtros espectrales aprendibles con bases de Haar, logrando escalabilidad casi lineal.