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

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

基于对异构图神经网络中的消息传递机制的研究，本文提出了统一异质消息传递（HTMP）机制以及一种名为 CMGNN 的新方法，通过显式利用和改进兼容性矩阵，实现了在真实世界的异质图中消息传递机制和 CMGNN 方法的卓越性能。

May, 2024

本研究主要研究非同质图上的分布漂移问题，提出了一种新型的不变邻域模式学习（INPL）方法来缓解非同质图上的分布漂移问题，并通过在实际非同质图上的实验结果表明，INPL 能够实现在大规模非同质图上学习的最新性能。

Mar, 2024

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

通过重新构建异质图的图结构，来提高传统的图神经网络在异质图上的性能，我们提出了 Deep Heterophily Graph Rewiring (DHGR) 的方法，并进行了全面的实证研究和分析，验证了其潜力以及其可用性，可作为任何 GNN 的插件模块，能够提高任何 GNNs，在结点分类任务上的性能。

Sep, 2022

我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

Apr, 2023

研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系，并且证实采用相应设计原则可以提高 GNN 的鲁棒性，实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性，并且采用防御机制可以使其鲁棒性更强，性能提高达 18.33%。

Jun, 2021