本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022

本文通过使用官方代码、数据集、设置和超参数，对 12 个最近的异质图神经网络进行了系统的复现，揭示了关于 HGNNs 进展的惊人发现。发现由于不当的设置，简单的同质 GNNs 被大大低估，GAT 在适当的输入情况下可以在各种情况下与或胜过所有现有的 HGNNs。为了促进鲁棒且可重复的 HGNN 研究，我们构建了异质图基准 (HGB)，其中包括具有三个任务的 11 个不同的数据集。HGB 规范了异质图数据分割、特征处理和性能评估的流程。最后，我们介绍了一个简单但非常强大的基准 Simple-HGN，它在 HGB 上明显优于所有先前的模型，以加速未来 HGNNs 的发展。

Dec, 2021

我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

Oct, 2023

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

HGAttack 是针对异构图设计的首个灰盒逃避攻击方法，通过设计一种新颖的代理模型，利用梯度方法实现扰动生成，提高了生成攻击在目标 HGNN 上的可转移性并显著降低了内存成本。在三个数据集上的综合实验证实了 HGAttack 的有效性。

Jan, 2024

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018

该研究提出了一种新的双超图神经网络 (DualHGNN) 模型，它同时整合了超图结构学习和超图表示学习，通过利用多视图超图学习网络探索多个视角下的最优超图结构，并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据集上进行了广泛实验，并证明了该方法的有效性。

Jun, 2023

本文提出了一个统一框架，命名为 Space4HGNN，它涵盖了大多数異构图神经网络的多个设计维度，提供模块化组件、可重复实现和标准化评估，通过实验分析了不同设计的影响，总结出一个简洁的设计空间，并验证其有效性。

Feb, 2022

提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型，它可以进行关系特定的采样和跨关系卷积，从而更好地将图的结构异质性编码到嵌入空间中，与其他现有的图学习模型相比，其性能得到了最大 17.8％的提升。

Oct, 2022

该研究提出了一种基于双层优化的异构图神经网络结构，其可以有效处理节点分类任务中的深度模型中可能出现的 oversmoothing 问题，并捕获异构图结构数据的长程依赖关系，同时能够建模不同节点类型之间的异质性关系，避免了过度平滑效应。实验结果表明，该模型可以取得有竞争力的节点分类精度。

Jun, 2022