- 评估图神经网络进展的数据导向方法
图神经网络在节点分类任务中取得了最先进的结果。本文聚焦于多标签节点分类，通过收集和发布了三个真实的生物数据集，并开发了一个可调参数的多标签图生成器。进一步提出了适用于多标签分类的同质性和跨类邻域相似性的定义，并以 $9$ 个收集的多标签数据 - KDD异质雪花假设：训练和赋能异质图的 GNN
通过构建 label predictor 及观察实验证明了异质图上的 Heterophily Snowflake Hypothesis，提供了一种用于异质图研究的有效解决方案，该方案可以集成到各种 GNN 框架中，提升性能并提供选择最佳网络 - 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 - 利用全局图同质性在图神经网络中进行广义防御
该论文提出一种名为 Talos 的新防御方法，通过增强图的全局同质性来抵御针对图神经网络的对抗攻击，实验证明该方法在防御效果上显著优于现有方法且计算开销较小。
- RecDiff: 社交推荐的扩散模型
社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声， - ICML类别不平衡节点分类的自动损失函数搜索
我们引入了一个高性能、灵活且通用的自动损失函数搜索框架来解决节点分类中的不平衡问题。在 15 种图神经网络和数据集组合中，我们的框架相比最先进方法在性能上有显著改进；此外，我们观察到图结构数据中的同质性对所提框架的可迁移性有着显著贡献。
- 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 - AAAIPC-Conv：融合同质性与异质性的双重过滤
提出了一种两重过滤机制来提取异态图里的同质性和同态图里的不同质性，其中使用了扩展图热方程来进行异态聚合，并介绍了一个强大的 PCNet 图卷积方法，通过该方法在节点分类任务上展现出了有竞争力的性能。
- 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 - 图形标签噪声的标签传播
本文研究任意异质性情况下的图标签噪声问题，提出了一个简单而高效的算法 LP4GLN，通过迭代步骤恢复图的同质性、修正噪声标签，并选择高可信度标签进行下一次迭代，最终在节点分类任务中取得高准确率。
- 基于消息传递的超图神经网络：同质性和架构设计的共同视角
本论文旨在探讨超图学习方法和基准数据集的一些悬而未决的问题，其中提出了一种新的同质性概念，探索了高阶网络结构和动态的分析框架，并引入了 MultiSet 框架重新定义 Hypergraph Neural Networks。
- 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 - KDDHomoGCL: 重塑图形对比学习中的同质性
本文提出了一个模型无关框架 HomoGCL，它利用同质现象来扩展正样本集，并结合现有的图形对比学习模型，能够显著提高图形对比学习方法的性能。
- 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。
- 边缘定向性改善异质性图上的学习
本文提出了 Directed Graph Neural Network (Dir-GNN) 模型，用于在定向图上进行深度学习，将 incoming 和 outgoing edges 进行独立聚合，以利用方向性信息来增强图的同质性。比较了多种 - 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。
- 图结构数据上的多标签节点分类
该论文介绍了一种新的方法，可以在多标签节点分类任务中使用图神经网络，并发布了三个真实世界的生物学数据集，用于该任务的基准测试。作者还定义了多标签场景下的同质性概念，并开发了一种新的方法来动态融合特征和标签相关信息，从而学习标签感知的表示。经 - 标签信息强化图中低同源性欺诈检测
本文提出了一种使用组聚合技术和 Transformer 编码器的欺诈检测方法，解决了基于图的欺诈检测中节点分类的挑战，具有更好的性能。