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

L'article présente Hierarchical Multi-view HAAR (HMH), un nouveau cadre d'apprentissage spectral de graphes conçu pour mitiger le sur-lissage et l'agrégation biaisée dans les GNN hétérophiles. HMH construit une hiérarchie de graphes douce et applique des filtres spectraux apprenables avec des bases de Haar, atteignant une scalabilité quasi-linéaire.