我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。

Mar, 2024

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

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

最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的 GNN 都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为补充，异质性反映了连接节点之间的不相似性，在图学习中引起了重要关注。为此，数据工程师旨在开发一个能够确保在同质性和异质性下性能的强大 GNN 模型。尽管已经做出了许多尝试，但大多数现有的 GNN 由于无向图的限制而难以实现最佳节点表示。忽视有向边导致次优的图表示，从而限制了 GNN 的能力。为解决这一问题，我们引入了 AMUD，它从统计的角度量化节点配置和拓扑之间的关系，为自适应地将自然有向图建模为无向图或有向图以最大化后续图学习中的效益提供了宝贵的见解。此外，我们提出了 ADPA 作为 AMUD 的新的有向图学习范式。实证研究表明 AMUD 指导了高效的图学习。与此同时，在 14 个基准数据集上的大量实验证实了 ADPA 的出色性能，优于基准线 3.96%。

Dec, 2023

该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

Apr, 2023

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

本文提出了一种新的图聚类方法，包括三个关键组成部分：图重构、混合滤波器和双图聚类网络。实验结果表明，在 11 个基准图上，该方法在异质图上的表现优于其他方法。

May, 2023

对于图聚类问题，现有的图神经网络方法很难取得进展，同时大多数聚类方法只关注同质图而忽视异质图，限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案，通过邻居信息对同质性和异质性边进行识别，并构建高同质性和高异质性的图，用于构建低通滤波器和高通滤波器以捕获综合信息，并通过压缩 - 激励块增强重要特征，实验证明本方法在同质图和异质图上优于现有聚类方法。

Mar, 2024

本文提出了 PairE，一种新的无监督图嵌入方法，使用两个匹配的节点作为嵌入的基本单元以捕捉节点关系和边缘信号，并利用多自监督自编码器完成两个预处理任务以提高性能，实验证明在边缘分类和节点分类任务上有相对较高的性能提升。

Mar, 2022

通过考虑相邻节点的非对称视图，本文提出了一种简单的算法 —— 用于图的非对称对比学习（GraphACL），它不依赖图扩充和同质性假设，在同质性和异质性图上具有优于最新的图对比学习和自监督学习方法的性能。

Oct, 2023