本文提出了一种新颖的分布一致图自训练框架（DC-GST），旨在解决训练集与测试集的分布差异，识别有效的伪标记节点，并增强模型的泛化能力。实验结果表明，该框架在多个基准数据集上优于现有模型。此外，研究探讨了自监督学习在异构图表征中的应用，提出了新的图聚类方法和异质分布传播机制，显著提升了图神经网络的性能。