本記事では、ヘテロジニアスな属性を持つグラフに対する新しい学習手法「Neighborhood-Aware Star Kernel（NASK）」を提案しています。従来のグラフカーネル手法は、属性の異なるセマンティクスと隣接情報を同時に捉えることが難しいですが、NASKは数値的及びカテゴリカルな特徴を効率的にモデル化し、多階層の隣接構造情報を統合します。この方法は、Gower類似度の指数変換を利用し、Weisfeiler-Lehmanの反復によって強化された星型サブ構造を採用しています。理論的にNASKが正定値であることを証明し、SVMなどのカーネルベースの学習フレームワークと互換性があることを示しました。実験結果から、NASKは最先端の16のベースラインと比較して、優れた性能を発揮することが分かりました。