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。

本研究提出了异质异亲谱图神经网络（H2SGNN），通过结合局部和全局过滤，适应不同同亲性并捕捉子图交互。在四个真实数据集上的实验表明，H2SGNN优于现有方法。

本文提出了一种新的多尺度框架卷积设计，用于谱图神经网络，提高了对嘈杂图信号的鲁棒性。该方法利用异构图神经网络和多级图分析，嵌入了元路径上的拓扑信息。实验结果表明，该方法在异构图和同构图中表现出优越性能。