通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

本研究提出了一种新颖的两流异构图递归神经网络，名为 HetEmotionNet，该网络可以融合多模态生理信号用于情感识别，并在两个实际数据集上取得了比现有基准更好的性能。

Aug, 2021

利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平，在多个具有不同异质性水平的真实异质图上进行了深入研究，观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战，提出了一种新的异质图神经网络 Hetero$^2$Net，通过蒙版元路径预测和蒙版标签预测任务，有效且灵活地处理同质性和异质性异质图，在五个具有不同异质性水平的真实异质图基准上评估了 Hetero$^2$Net 的性能，结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型，为有效处理更复杂的异质图提供了有价值的见解。

Oct, 2023

提出了一种新的图生成网络，以获得具有层级结构的图，并通过模块化方法在层级结构的不同级别生成社区，根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。

May, 2023

我们介绍一种名为 HetMed 的图形框架，可以将多模态医疗数据融合在一起，这通过构造一个多重网络来实现，该网络涵盖患者的多种非图像特征，以系统的方式捕捉患者之间的复杂关系，从而实现更准确的临床决策，并在各种实际数据集上证明了 HetMed 的优越性和实用性。

Nov, 2022

本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

Sep, 2020

本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构（HGT），通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据，实验表明，所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9％至 21％。

Mar, 2020

通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

Dec, 2023

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

该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

Jun, 2023