本研究批判性审视了图机器学习中的常见信念，如过度平滑、过度挤压、同质性与异质性二元论及长范围任务。通过反例，旨在澄清这些误解，促进深入讨论。

本研究解决了大型语言模型（LLMs）作为创意助手时，创意输出同质化的问题。通过对人类和多种LLM进行标准化创造力测试，发现LLM之间的响应相似度显著高于人类响应的差异性，这一发现提出了即便使用不同模型，创意合作也可能导致有限的“创意”输出的担忧。

本研究探讨了视觉-语言模型在超参数调整下的同质性偏见问题，特别关注了采样温度和top p如何影响模型输出中的社会刻板印象。研究发现，尽管超参数调整可以在某种程度上减轻特定偏见，但同质性偏见在大多数情况下依然显著存在，并且对不同社会群体的影响存在非线性模式，表明超参数调优并非解决所有群体维度偏见的普遍方案。

我们的研究分析了大型语言模型（LLMs）在社交网络中的行为，发现它们遵循优先连接、三元闭合和同质性等原则，并在网络形成预测中优于随机猜测。这为开发具有社交意识的LLMs提供了重要见解。

研究分析了大型语言模型在社交网络中的行为，探讨了优先连接、三元闭合和同质性等原则。结果表明，LLMs在网络预测中优于随机猜测，尤其在三元闭合和同质性方面影响更大。这为开发具社交意识的LLMs提供了新见解。

本研究针对随机对照试验中组别划分的偶然偏差问题，提出了一种新的划分方法——Wasserstein 同质性划分（WHOMP），旨在最大化子组内的多样性与最小化子组间的不相似性。研究结果显示，WHOMP 在减少Ⅰ型和Ⅱ型错误方面表现优越，并提供了优化解决方案的算法，为实践者提供了选择所需平衡的工具。

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。该研究为处理更复杂的异质图提供了有价值的见解。

近期自然语言处理的进展，特别是大型语言模型（LLMs）的出现，为构建精确复制人类行为的计算模拟提供了可能性。然而，LLMs在模拟人类互动方面存在局限性，特别是在模拟政治辩论方面。研究发现LLM代理倾向于符合固有的社会偏见，导致行为模式偏离人类社会动力学规律。研究使用自动自我微调方法来强化这些观察结果，并展示代理随后与改变后的偏见保持一致。这些结果强调了进一步研究的必要性，以开发帮助代理克服这些偏见的方法。

本研究通过构建六个合成任务并评估六个模型的性能，发现先前定义的度量在放松二分法假设时不适用。研究结果有助于推进对深度图网络的理解。

研究发现大型语言模型（LLMs）存在与社会群体刻板属性相关的偏见，特别是对非洲裔、亚洲裔和拉美裔美国人的描绘。女性比男性更具同质性，但差异较小。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

本文研究了大型语言模型（LLMs）中存在的偏见，特别是与社会群体的刻板属性相关的偏见。研究发现LLMs将非洲裔、亚洲裔和拉美裔美国人描绘为比白人更具同质性，女性比男性更具同质性，但差异较小。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

本文研究了货运时间片实验的叠加效应，发现固定次序轮播和随机次序轮播方法不能显著缩短试验周期且同质性不好。然而，当时刻片长度不同时，固定次序轮播和随机次序轮播方法可以达到较好的同质性。因此，在货运时间片实验中，应谨慎使用随机次序轮播，而固定次序轮播是较优的方法。

基于图的异常检测是图神经网络领域中一个重要的研究主题。本文引入了一个名为 “类同质性方差” 的新度量方法，量化了图异常检测中不同类之间的同质性分布差异。为了减轻其影响，我们提出一种新型图神经网络模型 —— 同质性边生成图神经网络 (HedGe)。HedGe...

研究发现大型语言模型（LLMs）存在与社会群体刻板属性相关的偏见，特别是对非洲裔、亚洲裔和拉美裔美国人的描绘更具同质性，女性稍具同质性。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

该文章提出了一种新的图聚类方法，通过识别同质性和异质性边构建高同质性和高异质性的图，用于构建低通滤波器和高通滤波器，以捕获综合信息并增强重要特征。实验证明该方法在同质图和异质图上优于现有聚类方法。

提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

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%。

本研究提出了一种基于多尺度热核的图神经网络 (MHKG)，并将其广义化为一种称为 G-MHKG 的模型。实验结果表明，G-MHKG 在具有同质性和异质性的图数据集上表现优异。

本文提出了一种新的度量方法和ACM框架，用于从多样化的节点异质性情况中提取更丰富的局部信息。ACM-augmented基线在基准节点分类任务中实现了显着的性能提升，超过大多数最新的GNN，而不会带来显着的计算负担。