本文研究了图神经网络在学习同质或异质图代表性表示方面的成功，介绍了 Possion-Charlier Network (PCNet) 的先前工作，并通过简化和增强 PCNet，提出了两种适应性邻域大小的变体，以应对异质性问题，并通过半监督学习任务在各种代表同质和异质图的数据集上验证了模型的鲁棒性.

Mar, 2024

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

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传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。

Dec, 2021

通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。

Feb, 2021

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

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

本文介绍了将块建模引入图卷积网络（Graph Convolutional Network，GCN）框架中，以实现块引导分类聚合，从而使 GCN 的传播和聚合机制适用于同质性和异质性网络。通过将块建模纳入聚合过程，GCN 能够根据其同质性程度有区别地聚合同质性和异质性邻居的信息，并在异质性数据集上表现出优异的性能。

Dec, 2021

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

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