现实世界图聚类的可证明过滤器

提出了一种新的图聚类方法，包括图重构、混合滤波器和双图聚类网络，实验结果显示其在异质图上的表现优于其他方法。

提出自适应混合图滤波方法（AHGFC），用于多视图图聚类，能够有效区分图中的低频和高频信号。

提出鲁棒图结构学习方法，从异质数据中构建高质量图，应用于聚类和半监督分类任务，实验证明其有效性。

提出两重过滤机制提取异态图的同质性和同态图的不同质性，使用扩展图热方程进行异态聚合。

提出柔性图神经网络（GNN）模型，使用多个可学习谱滤波器的节点注意力机制，适应性学习谱域以应对任意类型图。

探索异质图中图神经网络的脆弱性，提出NSPGNN模型，证明其在同质图和异质图上具有更强的鲁棒性。

全面回顾异态图神经网络，提出分类法，分析主要模型，指出未来研究方向。

研究异质性标签与GNN对抗性攻击鲁棒性之间的关系，证实相应设计原则可以提高GNN的鲁棒性。

研究GNN在同构和异构图中的节点分类性能差异，提出非i.i.d PAC-Bayesian概率界，解释性能差异原因。

发现传统GCN在特定条件下在某些常用异质图上表现更好，证实同质性不是良好GNN性能的必要条件。