本研究提出了一种分段常数谱图神经网络（PieCoN），旨在解决现有谱图神经网络在识别图谱特性时的复杂性和性能瓶颈。通过结合分段常数滤波器与多项式滤波器，PieCoN能够更灵活地利用图结构，提升谱特性学习能力。实验结果表明，该方法在异构图数据集上表现优异，具有广泛的应用潜力。

本研究提出了一种新颖的自适应异质基础UniBasis，通过理论分析探索了期望多项式基与异质性程度之间的内在关联，并将其与同质性基础相结合，构建了一个多项式滤波器的图神经网络UniFilter。实验证明了UniFilter在各种异质性程度的数据集上的优越性，同时突出了UniBasis在图解释方面的能力。