Naukowcy opracowali hierarchiczne wieloskalowe sieci neuronowe operujące na grafach (GNN), które efektywnie radzą sobie z danymi heterofilimnymi, gdzie połączone węzły mają różne cechy. Nowe podejście mityguje problemy oversmoothing (zbyt podobne reprezentacje węzłów) i oversquashing (wąskie gardło informacyjne), jednocześnie skalując się do dużych grafów. Praca adresuje kluczowe ograniczenia tradycyjnych GNN, otwierając możliwości dla bardziej sprawnych modeli w aplikacjach na grafach rzeczywis