本研究提出了一种高效的异构图异常检测模型EAGLE，通过学习异常节点与正常节点在局部上下文距离上的差异，实验结果表明其在三种异构网络数据集上优于现有方法。

本研究提出NodeRAG框架，解决现有图基RAG方法中图结构设计不足的问题。NodeRAG通过引入异构图结构，优化了索引、查询和存储效率，实验结果表明其问答性能优于传统方法。

本研究提出了一种边赋能的图特征偏好学习框架，旨在解决图神经网络在节点和边特征连接性方面的不足。该框架通过多维边特征矩阵构建多通道滤波器，提升节点特征捕捉能力。实验结果表明，该方法在异构图数据集上表现优异，具有广泛的应用前景。

本文提出了多重超曲面空间异构图注意力网络(MSGAT)，有效解决了异构图中多样的幂律结构捕捉问题。实验结果表明，MSGAT在图机器学习任务中优于现有基线，能够有效捕捉复杂结构。

本研究提出了一种新模型HACD，基于异构图注意力网络，解决了传统社区检测方法忽视节点属性相似性和中观结构的问题。实验结果表明，HACD在多个任务中表现优于现有方法。

本研究提出了一种新的离线强化学习方法，解决车间调度问题。通过将状态表示为异构图和使用可变行动空间，该方法在平衡期望奖励和模仿专家方案上表现优异。结合CQL的Q学习和熵奖励修正，离线方法在调度效果上优于在线方法，并强调多样化训练集的重要性。

本文提出了一种新建模框架，将视觉-语言模型中的注意力机制转化为基于图的消息传递。通过$p$-adapter架构，利用$p$-Laplacian消息传递处理异构图。在视觉问答、视觉蕴涵和图像字幕生成等任务中，该方法表现出高效性，并在迁移学习中具有显著优势。

我们提出了一种新颖的情感对话语音合成模型(ECSS)，通过引入异构图的情感上下文建模机制以提高情感理解。使用对比学习的情感渲染器模块来推断目标话语的准确情感风格，解决了数据稀缺性问题，并注释了现有对话数据集(DailyTalk)上的附加情感信息。客观和主观评价表明，我们的模型在理解和表达情感方面优于基线模型，并强调了全面的情感注释的重要性。

本文提出了一种基于大型语言模型的归纳式知识追踪模型SINKT，通过引入大型语言模型实现归纳式知识追踪，并构建了概念和问题的异构图，利用语义信息辅助预测。实验证明，SINKT在知识追踪模型中取得了最先进的性能，并对归纳式知识追踪任务的不同模块进行了探索。

该研究提出了一种新方法来解决异构图中的类不平衡问题，通过结合生成对抗网络（GANs）和图神经网络（GNNs）的优点，创建合成节点和边来平衡数据集。实验证明该方法在少数节点识别方面优于基线模型。

本研究提出了一种名为GCN-based Anti-Spam（GAS）模型的基于图卷积神经网络（GCN）的大规模反垃圾邮件方法。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能上表现优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。

本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用。通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

该研究提出了一种结合了GANs和GNNs的新方法来解决异构图中的类不平衡问题。通过创建合成节点和边来平衡数据集，实验证明该方法在少数节点识别方面优于基线模型，展示了其潜力。

该文介绍了一种基于异构图的框架，利用细胞核的不同类型之间的相互关系进行WSI分析。该框架采用了新的异构图边属性转换器和基于伪标签的语义一致汇聚机制，并采用因果驱动的方法来解决现有关联定位方法的局限性。实验证明，该框架在各种任务上相比现有方法具有显著的优势。