이질성( heterophily) 상황에서는 서로 다른 레이블을 가진 노드들이 의미론적 의미에 기반하여 연결되는 경향이 있으나, 이 경우 그래프 신경망(GNN)은 종종 최적의 성능을 발휘하지 못한다. 기존의 이질성에 관한 연구는 주로 집계 보정(aggregation calibration) 또는 이웃 확장(neighbor extension)에 초점을 두며, 노드 특성이나 구조적 정보를 활용하여 GNN 표현력을 향상시킴으로써 이질성 문제를 해결하고자 한다. 본 논문에서는 그래프 내 각 노드의 이웃 분포를 탐구함으로써 이질성 내재의 유용한 의미 정보를 그래프 학습에 효과적으로 활용할 수 있음을 제안하고 검증한다. 이 아이디어의 효과를 입증하기 위해 이론적 분석을 수행하였다. 이러한 분석을 바탕으로, 노드의 분포를 활용하여 이질적 정보를 통합하는 추가적인 새로운 그래프 구조를 구성하는 혁신적인 방법 HiGNN을 제안한다. 이 구조는 유사한 의미적 특성을 가진 노드 간의 연결성을 강화함으로써 그래프 표현력을 향상시킨다. 우리는 동질성과 이질성 모두를 포함한 벤치마크 데이터셋을 이용하여 노드 분류 작업에서 실험적 평가를 수행하였으며, 기존의 주요 GNN 기반 모델 및 최첨단(SoTA) 방법들과의 비교를 통해 HiGNN의 효과성을 확인하였다. 또한, 이질적 정보를 도입함으로써 기존의 GNN 기반 접근법의 성능이 뚜렷이 향상됨을 보였으며, 실제 세계 데이터셋에서의 동질성 정도가 증가함을 확인함으로써 본 연구의 접근법의 타당성을 입증하였다.