本研究提出NodeReg方法，通过范数一致性减轻半监督节点分类中的不平衡和分布偏移影响，提升了图神经网络（GNN）的泛化能力和分类性能。实验结果表明，NodeReg在这些情况下优于现有基线。

本研究提出自适应图混合框架（AGMixup），旨在解决现有图混合方法未考虑图的复杂关系的问题。AGMixup通过引入子图中心和自适应混合比例，显著提升了半监督节点分类的效果，实验结果表明其优于现有方法。

本文提出了图随机神经网络框架GRAND，通过随机传播策略增强图数据，优化未标记节点的预测一致性。实验结果表明，该方法在半监督节点分类中优于现有的图神经网络，缓解了过度平滑和非鲁棒性问题，展现了更好的泛化能力。

本文探讨了异质图神经网络（HGNN）的异质性问题，提出了Hetero$^2$Net模型，通过蒙版元路径和标签预测任务有效处理异质图。研究表明，该模型在半监督节点分类任务中优于传统模型。

本文介绍了一种改进的谱图卷积网络，利用重新定义的拉普拉斯矩阵处理定向图，提升了半监督节点分类的效果。研究了图信号滤波器的表达能力，提出了JacobiConv网络，能够在无非线性函数的情况下超越对比算法。此外，提出了SGCN和DGCN模型，分别改进了图卷积网络在图像分类和有向图上的表现。多项实验验证了这些模型在图形学习任务中的优越性。

该研究提出了一种新的异质图神经网络Hetero^2Net，通过蒙版元路径预测和蒙版标签预测任务，有效地处理同质性和异质性异质图。在五个真实异质图基准上评估了Hetero^2Net的性能，结果表明其在半监督节点分类任务中优于强基线模型。

图神经网络（GNNs）在半监督节点分类中表现出显著性能。然而，大多数现有的GNN都遵循同质性假设，这在实际应用中被证明是脆弱的。AMUD是一种新的数据工程方法，能够在同质性和异质性下提供强大的性能。实证研究表明AMUD指导了高效的图学习。ADPA在14个基准数据集上表现出色，优于基准线3.96%。

该文介绍了一种改进的计算图结构，使用节点级异质性度量来更好地表示网络节点的混合模式，并提出了一种自适应选择结构与接近度信息的模型，以取得更好的性能。实验结果表明，在半监督节点分类任务中，该方法取得了良好的结果。