グラフニューラルネットワーク（GNN）はノード分類作業に優れていますが、接続されているノードが類似のラベルを共有するという均質性を想定することがよくあります。この仮定は、多くの実際の異質グラフでは成立しません。異質グラフのための既存のモデルは、主に対関係に依存して高次構造から得られるマルチスケール情報を見落とします。これにより、特にノード間の競合するクラス情報によるノイズの下で最適なパフォーマンスが得られなくなります。これらの問題を解決するために、我々は高次パーソナライゼーションページランク（PPR）をグラフニューラルネットワークと統合した新しいモデルHPGNNを提案します。 HPGNNは、長距離およびマルチスケールノードの相互作用をキャプチャするために、パーソナライゼーションページランク（PPR）の効率的な高次近似を導入します。このアプローチは計算の複雑さを減らし、周辺情報によるノイズを軽減します。 HPGNNは、高次構造情報を畳み込みネットワークに埋め込むことで、さまざまなグラフレベルで主要な相互作用を効果的にモデル化します。ベンチマークデータセットの広範な実験は、HPGNNの効果を示しています。このモデルは、ダウンストリーム操作で異質グラフに対して7つの最先端の方法のうち5つより優れたパフォーマンスを達成し、同質グラフでも競争力のあるパフォーマンスを維持します。 HPGNNは、マルチスケール情報のバランスを保ち、ノイズに対する強靭性を維持する能力のおかげで、実際のグラフ学習問題に対する汎用性の高いソリューションです。
