グラフニューラルネットワーク（GNN）は、ノードラベルに関して強いホモフィリー（同質性）を示すグラフにおいて優れた性能を発揮することが明らかになっている。すなわち、連結されたノード同士が同じラベルを持つ場合に有効である。しかし、異質性（heterophily）を持つグラフでは性能が著しく低下する。近年のアプローチでは、集約スキームの修正や、適応型グラフフィルタの設計など、この限界を克服するための試みが多数行われてきた。しかしながら、依然として異質性グラフにおける性能は十分とは言えない場合が多い。本研究では、トポロジー構造およびノード特徴量のトレュケーテッド特異値分解（TSVD）を活用するシンプルな代替手法を提案する。この手法は、異質性グラフにおいて、最先端手法と比較して最大で約30％の性能向上を達成した。本研究は、集約に基づくアプローチとは異なるアプローチへの初期的探求である。実験結果から、異質性設定においては、集約手法以外の新たなアプローチの検討が重要である可能性が示唆された。