迈向异质图学习的进展与未来
内容提要
该文综述异质图神经网络研究，提出系统分类法，分析主要模型与主流基准，并指出未来方向。相关研究涵盖DHGR图重构、Hetero²Net元路径方法、H2GCN、CPGNN兼容矩阵、HSBM理论分析及图聚类新方法，旨在提升异质图节点分类性能与鲁棒性。
延伸解读
异质图学习的问题背景与分类框架
文章指出，传统图神经网络多针对同质图设计，在异质图（连接节点可能类别不同、特征不同）上泛化能力有限。为此，综述首次系统梳理异质图神经网络，提出分类法并总结主流基准，为后续研究提供结构化参考。读者可借此理解该领域从模型设计到评测体系的整体脉络。
从图重构到元路径：提升异质图性能的多种路径
文中列举了多种技术路线：DHGR通过重构图结构作为插件提升任意GNN的节点分类性能；Hetero²Net利用元路径识别异质性并设计蒙版任务灵活处理同质与异质图；H2GCN结合高阶邻居与中间表示，在半监督节点分类中表现更优。这些方法表明，针对异质性的显式建模是改进性能的关键。
鲁棒性与理论分析：不可忽视的维度
文章还关注异质图学习的鲁棒性与理论解释。研究证实异质性标签与GNN对抗攻击鲁棒性相关，采用相应设计原则可提升鲁棒性，防御机制下性能提高达18.33%。HSBM理论分析则揭示图卷积的可分性受邻域分布欧氏距离、平均节点度及拓扑噪声影响，为理解异质图上的卷积行为提供了理论视角。
评测基准与未来方向
综述总结了主流异质图基准，并介绍改进的数据集与新度量方式，用于测试低同质性设置下新方法的有效性。文章还提出未来研究和应用方向，提示读者关注更贴近现实的评测设置以及模型在复杂异质图上的泛化能力。这些内容有助于判断现有方法的适用边界。
Q&A
异质图神经网络主要解决什么问题？
异质图神经网络主要解决传统图神经网络在异质图（连接节点可能具有不同标签和特征）上性能有限的问题，旨在提升节点分类等任务的准确性和鲁棒性。
DHGR方法是如何提升异质图上GNN性能的？
DHGR通过重新构建异质图的图结构来提升传统GNN在异质图上的性能，可作为插件模块与任何GNN结合，提高节点分类任务的表现。
Hetero²Net有什么特点，适用于哪些场景？
Hetero²Net利用元路径识别异质性，并通过蒙版元路径预测和蒙版标签预测任务，灵活处理同质性和异质性异质图，在半监督节点分类中优于强基线。
H2GCN为什么在异质性网络上表现更好？
H2GCN通过结合节约和邻居嵌入、高阶邻居和中间表示，专门针对异质性网络设计，因此在半监督节点分类任务中预测准确率高于传统模型。
CPGNN框架如何建模图中的同质性和异质性？
CPGNN使用可解释的兼容性矩阵来建模图中的异相性（heterophily）或同相性（homophily）水平，并在更现实和挑战性的实验设置下验证了其有效性。
HSBM理论分析了异质性对图神经网络有什么影响？
HSBM理论分析揭示图卷积操作对分类的可分性提升受邻域分布欧氏距离和平均节点度影响，拓扑噪声对可分性有不利影响，多次图卷积时可分性受邻域分布归一化距离影响。
