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。

本文介绍了一种新框架Blend&Grind-HGNN（BG-HGNN），有效解决了现有HGNN在处理复杂异构图时的问题。BG-HGNN通过统一特征空间提高了参数效率、训练吞吐量和准确性。研究表明，BG-HGNN在多个方面显著优于现有HGNN，并构建了异质图基准（HGB）以促进HGNN研究的可重复性和鲁棒性。

本文介绍了HAGNN、HNHN和HGNN等新型图神经网络框架，旨在提升异构图和超图的表示学习效果。研究表明，这些方法在分类精度和速度上优于现有技术，能够有效处理复杂数据和多模数据，推动图神经网络的发展。

本文介绍了多种基于异构图的学习方法，如HOME-GCL、AutoST、SE-KGE、HAFusion、HoloE和Region2Vec。这些方法通过对比学习、空间信息编码和区域特征融合等技术，提升了在道路段、土地分割和城市区域分析等任务中的表现，展示了异构图嵌入在处理复杂数据中的潜力。

本文探讨了多种图神经网络模型在异构图和双曲空间中的应用，包括超曲线图注意网络、基于分层注意力的异构图神经网络和Hodge-Laplacian异构图注意网络。这些模型在节点分类和图回归等任务中表现优越，展示了处理复杂图形数据的高效性和多功能性。

本文提出了一种基于异构图的框架，用于全切片图像分析，利用细胞核之间的相互关系。通过图卷积网络和自监督学习，显著提高了肿瘤诊断的准确性。实验结果表明，该方法在肺癌、肾癌和前列腺癌的分类任务中表现优异，具有良好的可解释性和鲁棒性。

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。