本研究提出了异质分布传播（HDP）用于图神经网络，通过在训练期间基于伪指派将邻居自适应分为同质和异质部分，通过可信原型对比学习范式的正交性约束学习异质邻居分布，并通过一种新颖的语义感知信息传递机制传播同质和异质模式，实验证明该方法在异质数据集上优于代表性基线方法。

May, 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

本文提出了一种新颖的多尺度框架卷积设计用于谱图神经网络，该方法集成了直接设计在谱域中的过滤函数以提高对嘈杂图信号的鲁棒性，有效地减轻了嘈杂信号的负面影响，并利用异构图神经网络和多级图分析，嵌入了元路径上的拓扑信息。在现实世界的异构图和同构图中的实验表明，该方法取得了优越的性能。

Jan, 2022

本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

Jul, 2023

提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

Jan, 2024

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

论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。

Oct, 2020

本文提出了一种自动在异构图上构建图神经网络模型的方法 Auto-HeG，其将异构性融入了异构图神经网络的所有阶段，包括搜索空间设计、超网训练和架构选择，并在离一不作模式下进行了异构架构选择。研究结果表明，Auto-HeG 在开发出优秀的异构 GNN 方面优于人类设计模型和图 NAS 模型。

Feb, 2023

通过构建 label predictor 及观察实验证明了异质图上的 Heterophily Snowflake Hypothesis，提供了一种用于异质图研究的有效解决方案，该方案可以集成到各种 GNN 框架中，提升性能并提供选择最佳网络深度的可解释方法。

Jun, 2024

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021