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

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

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

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

本文提出了一个模型无关框架 HomoGCL，它利用同质现象来扩展正样本集，并结合现有的图形对比学习模型，能够显著提高图形对比学习方法的性能。

Jun, 2023

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

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

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

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