- ICML当遇到异质性时，在图神经网络中发现全局同质性
提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上，能够从全局节点中聚合信息生成节点嵌入，理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。
- 无监督网络嵌入超越同质性
SELENE 框架通过异质性适应的自我监督学习目标函数优化网络的学习，设计了双通道特征嵌入管道以分辨 r-ego 网络，提高了节点嵌入的质量，从而在同质和异质环境中分辨连接的异质节点，集群准确度提高了 12.52%。
- 异质图上的图神经网络综述
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。
- AAAI可变形图卷积网络
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。
- AAAI基于区块建模引导的图卷积神经网络
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 - 适应传播机制的强力图卷积网络，用于同构性和异构性
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。
- WWWGBK-GNN：用门控双核图神经网络建模同质性和异质性
本文提出了一种基于 Bi-kernel 特征转换和选择门的 GNN 模型，其中使用两个核对同一阶段的节点进行建模，以更好地捕捉同质性和异质性信息。在各种数据集上的实验结果表明，该模型在同质性和异质性特性方面均显著优于现有 GNN 方法。
- 异质性是否对图神经网络进行节点分类造成实质性威胁？
本文提出了 Adaptive Channel Mixing 框架，利用聚合，多样化和恒等通道来以自适应的方式解决 Graph Neural Networks 中的有害异质性问题，并在 10 个真实世界节点分类任务中获得了显着的性能提升。
- KDD异质性如何影响图神经网络的鲁棒性？理论联系和实践含义
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% - AAAI具有异质性的图神经网络
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。
- 图神经网络中超越同构性：现有限制与有效设计
该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更 - ICLR自适应通用广义 PageRank 图神经网络
本文提出了一种新的广义 PageRank（GPR）图神经网络（GNN）架构，用于联合优化节点特征和拓扑信息提取，无论节点标签是同质的还是异质的。通过学习 GPR 权重，学到适应节点标签模式的权重，避免了特征信息过度平滑的问题，从而提高了在同 - 异质动态增强共识
本文主要讨论了基于对齐的自组织动力学模型，强调了异质性对于聚类过程的重要性，指出异质性的作用是促进一致性。