في ظل ظروف التباين المتمايز (heterophily)، حيث تميل العقد ذات التسميات المختلفة إلى الربط بناءً على المعاني الدلالية، يُظهر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) أداءً غير مثالي في كثير من الأحيان. تركز الدراسات الحالية حول التباين المتمايز بشكل رئيسي على معايرة التجميع أو توسيع الجيران، وتحاول معالجة مشكلة التباين المتمايز من خلال الاستفادة من ميزات العقد أو المعلومات الهيكلية لتحسين تمثيلات GNN. في هذه الورقة، نقترح ونُظهر أن المعلومات الدلالية القيّمة المتأصلة في التباين المتمايز يمكن استغلالها بكفاءة في التعلم الرسومي من خلال دراسة توزيع الجيران لكل عقدة فردية داخل الرسم البياني. ونُجري تحليلًا نظريًا لتأكيد فعالية الفكرة في تعزيز التعلم الرسومي. استنادًا إلى هذا التحليل، نقترح HiGNN، وهي طريقة مبتكرة تُنشئ هيكل رسم بياني إضافي جديد، يُدمج المعلومات المتمايزَة من خلال الاستفادة من توزيع العقدة لتعزيز الاتصال بين العقد التي تمتلك خصائص دلالية مشابهة. أجرينا تقييمات تجريبية على مهام تصنيف العقد باستخدام مجموعات بيانات معيارية متجانسة ومتمايزَة، وقورنت HiGNN مع أساليب GNN الشهيرة والطرق الأفضل حاليًا (SoTA)، مما يؤكد فعاليتها في تحسين تمثيلات الرسوم البيانية. علاوةً على ذلك، أظهرنا تحسنًا ملحوظًا في الأداء للأساليب القائمة على GNN عند دمج المعلومات المتمايزَة، بالإضافة إلى تقليل درجة التماثل (homophily) في مجموعات البيانات الواقعية، مما يؤكد فعالية النهج المُقترح.