图神经网络在节点分类任务中取得了最先进的结果。本文聚焦于多标签节点分类，通过收集和发布了三个真实的生物数据集，并开发了一个可调参数的多标签图生成器。进一步提出了适用于多标签分类的同质性和跨类邻域相似性的定义，并以 $9$ 个收集的多标签数据集为基础进行了研究。最后，通过对 $8$ 个方法在九个数据集上进行大规模对比研究，评估了目前在多标签节点分类方面的进展。代码已在 https://github.com/Tianqi-py/MLGNC 上发布。

Jun, 2024

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

本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向 / 有向链接预测、超边预测、子图预测等多个任务中提升 GNN 的性能。

Apr, 2023

本文探讨了同质性原则对图神经网络在节点分类上表现卓越的主要原因。作者提出了一种上下文随机块模型来定量节点区分度，并开发了一种基于特性的指标来测试 GNN 在合成和真实世界数据集上的优势和劣势。

Apr, 2023

本文提出了基于标签一致性的图神经网络（LC-GNN），扩大了 GNN 中的节点感受野，利用未连接但标签相同的节点对。在基准数据集上的实验证明，LC-GNN 在图形半监督节点分类方面优于传统的 GNN，在只有少数标记节点的稀疏场景中也表现出优越性。

Jul, 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

本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。

Jun, 2023

提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

Jun, 2024

该文介绍了一种利用大型语言模型和图神经网络相结合的无标签节点分类方法 LLM-GNN，在小部分节点上利用语言模型进行注释，然后使用图神经网络对其余大部分节点进行预测，通过开发注释质量启发式和利用语言模型的置信度得分来选择节点，从而提高图神经网络的性能，实验证明了 LLM-GNN 的有效性。

Oct, 2023