- 图卷积神经网络中的转移熵
基于 Transfer Entropy 的策略可解决 Graph Convolutional Networks 中的过度平滑和节点关系属性的利用两个重要挑战，并通过使用异质性和度信息作为节点选择机制以及基于特征的 Transfer Entr - 如何通过通用多项式基加强光谱图神经网络：异质性、过度平滑和过度压缩
基于谱图神经网络和多项式滤波器，本研究提出了一种新颖的自适应异质基础，通过理论分析探索了期望多项式基与异质性程度之间的内在关联，并将其与同质性基础相结合，构建了一个多项式滤波器的图神经网络 UniFilter，成功优化了卷积和传播过程，在各 - 异质友善信息增强图神经网络
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 - 现实世界图聚类的可证明过滤器
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 - 简化的 PCNet 与鲁棒性
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 - 理解图神经网络的异质性
本研究通过引入 Heterophilous Stochastic Block Models (HSBM) 来深入理解图中物种异质性模式对图神经网络的影响，揭示了图卷积操作对分类的可分性提升受到邻域分布欧氏距离和平均节点度的影响，且拓扑噪声对 - 再审视基于图的欺诈检测：异质性和频谱视角
本研究提出了一种半监督的基于图神经网络的欺诈检测器 SEC-GFD，通过混合过滤模块和局部环境约束模块解决了异态性和标签利用问题，实验证明 SEC-GFD 在四个真实世界的欺诈检测数据集上优于其他竞争对手的基于图的欺诈检测器。
- 打破半监督节点分类中同质性和异质性的纠缠
最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的 GNN 都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为 - Hetero$^2$Net: 非同质图上的异质感知表示学习
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 - 图学习中特征与结构相互作用的研究
在本研究中，我们以往对同质性和异质性之间的二分法的认识启发了我们对深度图网络的归纳偏差的研究。然而，最近的研究指出，这种二分法过于简单，因为我们可以构建节点分类任务，其中图形完全异质，但性能仍然很高。我们的工作通过形式化两个生成过程来研究当 - PathMLP: 向高阶同质化之路平稳前进
通过设计一种基于相似度的路径采样策略来捕获包含高阶同质性的连续路径以及提出一种名为 PathMLP 的轻量级模型来适应路径聚合，从而在异质性图形中有效地学习节点表示，并证明了其在缓解异质性问题方面的有效性和优越性。
- KDD空间异质性感知的图神经网络
本文提出一种空间异质性感知图神经网络（SHGNN）来处理具有高空间异质性得城市图，并通过在三个真实世界的城市数据集上进行广泛的实验证明了其优越性。
- 图神经网络中本地同质水平的性能差异
理论和实证研究表明，图神经网络可能过度依赖于用于训练的全局同质性，需要设计出更适应大范围局部同质性的图神经网络。
- IJCAI异质性下的图神经对流扩散
本文提出了一种新颖的图神经网络，利用卷积扩散方程（CDE）建模节点上的信息流，考虑到异质性和同质性对信息的影响，通过在异质性图上的节点分类任务的实验证明，我们的框架可以取得竞争性的性能。
- SIMGA: 一种简单而有效的异构图神经网络，具有高效的全局聚合
本文提出了 SIMGA，一种结合 SimRank 结构相似度测量作为全局聚合的 GNN 结构，它在效率和效果方面都具有良好的表现，是第一个可以实现接近 $n$ 的线性传播效率的异质性 GNN 模型，并在 12 个基准数据集上表现优于现有模型 - IJCAILSGNN: 基于局部相似度的通用图神经网络在节点分类中的应用
通过引入 LocalSim 和 IRDC 提出了一种与节点 heterophily 差异相关联的本地相似性图神经网络 LSGNN，并在真实数据集上实现了超越同类方法的表现。
- ICML超越同质性：重构图形结构进行对图形不可知聚类
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。
- 超越同质性的多视图图形表示学习
该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。
- WWWAuto-HeG: 异构图上的自动化图神经网络
本文提出了一种自动在异构图上构建图神经网络模型的方法 Auto-HeG，其将异构性融入了异构图神经网络的所有阶段，包括搜索空间设计、超网训练和架构选择，并在离一不作模式下进行了异构架构选择。研究结果表明，Auto-HeG 在开发出优秀的异构 - 重新审视异质性对图神经网络的影响
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