Naukowcy znaleźli sposób, by neuronowe sieci grafowe lepiej pracowały z danymi, w których połączone węzły wcale się do siebie nie podobają. Problem, przed którym stanęły dotychczasowe modele, był dość subtelny - im głębsza sieć, tym bardziej węzły traciały swoją indywidualność, przybierając zbyt podobne reprezentacje. Równocześnie informacja utykała w wąskich gardłach sieci, nie mogąc swobodnie płynąć między węzłami. Ten nowy hierarchiczny system, oparty na wieloskalowych warstwach, radzi sobie z oboma problemami i dodatkowo potrafi obsługiwać grafy o rozmiarach, które wcześniej były nie do ugryzienia.
Tradycyjne sieci grafowe sprawdzają się świetnie, gdy połączone węzły są do siebie podobne - takie grafy nazywamy homofilicznymi. Ale świat rzeczywisty rzadko działa w ten sposób. Sieć społeczna łączy ludzi o zupełnie innych zainteresowaniach, grafy interakcji białek zawierają elementy o skrajnie różnych właściwościach, a systemy rekomendacji łączą użytkowników z artykułami, które ich nie opisują. W takich heterofilicznych scenariuszach klasyczne GNN zaczynają szwankować, bo ich architektura zakłada fundamentalnie inny rozkład danych.
Nowe podejście wykorzystuje hierarchiczną organizację sieci na różnych skalach - lokalne sąsiedztwa łączy z coraz szerszymi kontekstami, pozwalając modelowi adaptacyjnie wybierać, na jakim poziomie abstrakcji najlepiej rozumieć każdy węzeł. To otwarcie nowych możliwości dla zastosowań rzeczywistych - od lepszych systemów rekomendacyjnych po modelowanie złożonych procesów biologicznych czy analizę heterogenicznych sieci społecznych. Praca pokazuje, że to nie sama głębia sieci jest problemem, ale inteligentna wieloskalowa reprezentacja danych.