HMH: Una Rete Neurale Grafica Scalabile per Apprendimento Eterofilo

L'articolo arXiv:2605.10975 presenta un nuovo framework chiamato Hierarchical Multi-view HAAR (HMH) finalizzato alla classificazione di grafi eterofili. Questi tipi di grafi, in cui nodi vicini hanno spesso etichette diverse, sono prevalenti nei social network e nelle interazioni molecolari. Gli attuali metodi GNN spettrali affrontano sfide come l'aggregazione dominata dagli hub e l'oversmoothing, derivanti da filtri polinomiali inadeguati che causano imprecisioni di approssimazione e fondono segnali distanti. HMH risolve queste sfide imparando inizialmente affinità firmate che tengono conto sia delle caratteristiche che delle strutture attraverso un encoder eterofilo, quindi creando una gerarchia di grafi soft basata su questi embedding. A ogni livello della gerarchia, HMH costruisce una base di Haar sparsa, ortonormale e sensibile alla località per implementare filtri spettrali apprendibili. Il framework opera in tempo quasi lineare, rendendolo ideale per applicazioni su larga scala. L'articolo completo è disponibile su arXiv con ID 2605.10975.