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。

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。

本文探讨了概率网络模型的应用，评估了缺失链路预测算法的效果，提出了SINN方法以预测社交媒体上的观点动态，并研究了节点分类与群体公平性之间的关系。同时，分析了图神经网络在社交网络建模中的潜力及大型语言模型在模拟人类社交动态中的局限性，强调克服偏见的重要性。

本文探讨了同质性原则对图神经网络（GNN）节点分类性能的影响，提出了上下文随机块模型和自适应通道混合（ACM）框架，以应对异质性问题。研究表明，ACM在10项基准任务中显著提升了性能，证明同质性并非GNN优良表现的必要条件。

本文提出了一种新型自适应多项式滤波器UniFilter，结合异质性和同质性，优化了图分析性能。研究了图异质性对图神经网络的影响，并提出了多种新模型和学习框架，显著提升了同构和异构图的处理能力。

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...

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。

本文研究了节点分类任务，探讨了群体公平性与局部同配性之间的联系，发现同质性会导致同配性，影响个人进入共享敏感属性的社区。通过合成图研究了本地同质性和公平预测之间的相互作用，发现并非所有节点邻域在这方面都是平等的。研究表明采用能够处理非同配组标签的异质性 GNN 设计可以提高局部异质性邻域的群体公平性高达25％，优于同质性设计。

该文介绍了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行优化，并通过交替训练同质性增强的结构学习和基于GNN的聚类来实现它们的相互作用。研究结果表明，该方法在多个基准数据集上表现出优越性。