本文首次全面回顾了异态图神经网络，提出了系统的分类法，分析了主要异态图神经网络模型，总结了主流异态图基准，并指出了未来研究和应用方向。

Feb, 2022

本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

Jun, 2021

该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

Jun, 2020

本文通过重新评估广泛使用的同质性度量，并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法，并证明了 local diversification operation 可以有效解决一些有害的异质性情况，然后提出了 Adaptive Channel Mixing（ACM）框架来自适应地利用聚合，多样性和标识通道，从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估，ACM-augmented 基线始终实现了显着的性能提升，超过大多数任务上的最新 GNN，而不会带来显着的计算负担。

Oct, 2022

在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

Mar, 2024

我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

Apr, 2023

本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。

Dec, 2021

本文提出了 Adaptive Channel Mixing 框架，利用聚合，多样化和恒等通道来以自适应的方式解决 Graph Neural Networks 中的有害异质性问题，并在 10 个真实世界节点分类任务中获得了显着的性能提升。

Sep, 2021

通过重新构建异质图的图结构，来提高传统的图神经网络在异质图上的性能，我们提出了 Deep Heterophily Graph Rewiring (DHGR) 的方法，并进行了全面的实证研究和分析，验证了其潜力以及其可用性，可作为任何 GNN 的插件模块，能够提高任何 GNNs，在结点分类任务上的性能。

Sep, 2022

提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上，能够从全局节点中聚合信息生成节点嵌入，理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。

May, 2022