近年、同質的グラフおよび異質のグラフの両方で動作する新しいグラフニューラルネットワーク（GNN）に関する研究が増加しているが、従来型GNNを低同質性グラフに適応させる取り組みはほとんど行われていない。従来型GNNは、低同質性グラフの処理能力に限界があるものの、効率性、単純性、解釈可能性といった優れた特性を備えている。本研究では、任意のタイプのGNN（従来型GNNを含む）に統合可能な新しいグラフ再構築手法を提案する。この手法により、既存GNNの利点を活かしつつ、その限界を軽減することが可能となる。本研究の貢献は以下の3点に集約される：a) 既知のノードラベルと整合性の高い適応型スペクトルクラスタリングを実現するための擬似固有ベクトルの重み学習、b) ラベル不均衡に対して頑健な新たな密度感知型同質性指標の提案、c) 適応型スペクトルクラスタリングの結果に基づき、同質性スコアを最大化するように隣接行列を再構築する手法。実験の結果、本手法により6種類の従来型GNNの性能が低同質性グラフ上で平均25％向上し、最先端の手法と同等の性能向上が達成された。