異質性（heterophily）または低同質性（low homophily）の半教師ありノード分類タスクにおいて、グラフニューラルネットワーク（GNN）の表現力について調査を行いました。つまり、接続されたノードが異なるクラスラベルや非類似の特徴を持つネットワークでの性能を評価しました。多くの一般的なGNNはこの設定で汎化できず、場合によってはグラフ構造を無視するモデル（例：多層パーセプトロン）にさえ劣ることがあります。この制約に着目し、我々は異質性下でのグラフ構造からの学習を向上させるために重要な設計要素を特定しました。それらは自己埋め込みと近傍埋め込みの分離、高次近傍、および中間表現の組み合わせです。これらの設計要素を組み合わせてH2GCNというグラフニューラルネットワークを開発し、これを基準方法として使用して特定した設計要素の有効性を実証的に評価しました。強い同質性を持つ伝統的なベンチマークを超えて、我々の実証分析では、特定した設計要素が異質性を持つ合成ネットワークおよび実際のネットワーク上で対応するモデルに対して最大40%および27%の精度向上をもたらすことが示されました。また、同質性下でも競争力のある性能を達成しています。