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

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

本研究提出了 CPGNN 框架，它使用可解释的兼容性矩阵来建模图中异相性（heterophily）或同相性（homophily）水平，并证明了该框架在更现实和具有挑战性的实验设置下比以前的作品要有效。

Sep, 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

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

本文综述了关于从异质图中学习的现有研究成果，包括图的学习策略、模型架构和应用案例，并探讨了现有研究的主要挑战和未来研究的有希望方向。

Jan, 2024

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

在这篇论文中，我们介绍了一种独特的方法，通过考虑图异质性来解决图中的不平衡分类问题。我们研究了类别不平衡和图异质性之间的错综复杂关系，发现少数类别不仅样本稀缺，而且表现出较低的同质性水平，这导致错误信息在相邻节点之间传播。基于这一洞察，我们提出了一种名为 Fast Im-GBK 的高效方法，将不平衡分类策略与意识到异质性的图神经网络相结合，以有效解决类别不平衡问题，并显著减少训练时间。我们在实际图数据上的实验证明了我们的模型在节点分类任务中相比现有基线方法具有更好的分类性能和效率。

Oct, 2023

本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界，并通过特征聚合距离和同质比异质性差异解释了性能差异，并证实了较深的 GNN 的有效性。此外，我们发现了图形分布偏移问题的一个新因素，并提出了相应的新场景。

Jun, 2023