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

基于图的异常检测是图神经网络领域中一个重要的研究主题。本文引入了一个名为 “类同质性方差” 的新度量方法，量化了图异常检测中不同类之间的同质性分布差异。为了减轻其影响，我们提出一种新型图神经网络模型 —— 同质性边生成图神经网络 (HedGe)。HedGe 使用自注意机制从零开始采样同质性邻接矩阵，并利用特征空间中相关但在原始图中未直接连接的节点。此外，我们修改了损失函数，对模型生成不必要的异质性边进行惩罚。广泛的对比实验表明，HedGe 在多个基准数据集上实现了最佳性能，包括异常检测和无边节点分类。该模型还改善了对新型异质性攻击的鲁棒性，该攻击增加了其他图分类任务中的类同质性方差。

Mar, 2024

提出了一个基于图的异常检测框架 ——PhoGAD，利用持续同调优化澄清行为边界，设计相邻边的权重以减轻本地异质性的影响，并通过形式化分析和基于显式嵌入的解缠表示方法解决噪声问题，成功实现了异常行为的检测，实验证明 PhoGAD 在侵入、流量和垃圾邮件数据集上的性能超越了现有框架，并在减少异常比例时仍然表现出鲁棒性，凸显其对实际场景的适用性，持续同调的分析显示其在捕获正常边缘特征形成的拓扑结构方面的有效性，消融实验证明了 PhoGAD 集成的创新机制的有效性。

Jan, 2024

本文通过多任务学习的视角重新考虑了在给定图上预测多个节点标签函数的问题，并且提出了一种基于高阶任务亲和力度量的任务分组算法，可以更准确地预测负转移。

Jun, 2023

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

该研究针对存在标签不平衡的图数据，提出了一种新型节点表示学习方法，通过结合局部拓扑信息设计目标函数，实现了对于节点的快速、精准分类。

Jun, 2022

针对图形异常检测中结构分布偏移的问题，本研究提出了一种名为图解构网络（GDN）的框架，通过限制异常特征的影响，同时从同质性中获益，来解决正常和异常节点之间的分类问题。在两个基准数据集上进行的广泛实验表明，该框架在异常检测中取得了显著的性能提升。

Jan, 2024

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

本论文提出了一种基于单一公式的杂交损失函数，该函数在分类和聚类之间进行联合，并提高了分类器在不平衡数据集上的泛化能力，可以支持多个类别原型，具有视觉分类和验证任务的显着性能改进。

Jan, 2019

本文将图同质性分解为标签、结构和特征三个方面，提出了考虑三个方面的新组合指标 Tri-Hom，并通过理论分析和合成实验验证了 Tri-Hom 的有效性和同质性协同的重要性。

Jun, 2024