本研究提出了RelGNN框架，解决了异构图神经网络在关系数据库建模中的低效问题。通过引入原子路线和复合信息传递机制，显著提升了预测建模的效率和准确性，实验结果显示在30个真实任务上精度提高了25%。

本研究提出了一种基于异构图神经网络的模型，旨在解决具有系统性缺失数据的子群特征选择问题。该模型通过建模多重图和信息传播，有效识别子群特征与目标变量之间的依赖关系，显著改善特征选择效果。

本研究提出了一种新的扰动本体图注意网络（POGAT），旨在解决异构图神经网络在捕捉节点语义关联时的手动规范依赖问题。通过结合本体子图与自监督学习，POGAT在链接预测和节点分类任务中显著提升了性能，超越了现有模型。

本研究提出了一种新颖的异构图神经网络方法，用于轻度认知障碍的诊断。该方法通过建立同质和异质的元路径关系，结合异构图池化策略和数据增强，实验准确率达到93.3%，显著优于其他算法。

本文介绍了异构图神经网络（HGT）及其在动态异构图数据处理中的应用，提出了新框架CPGNN和Hetero$^2$Net，解决了传统图神经网络在异质性场景下的局限性。这些模型在节点分类任务中表现优越，具有重要的实际应用潜力。

本文介绍了多种异构图神经网络模型，如异构图转换器（HGT）、超图学习框架（HyperGT）和拓扑引导的超图变换网络。这些模型通过不同技术优化节点表示学习，提升了节点分类和轨迹预测等任务的性能，实验结果表明它们优于现有方法。

图基础模型（GFM）是图领域的新兴研究，旨在概括不同图和任务。文章综述了GFM的关键特征、技术及潜在研究方向，结合异构图神经网络和大型语言模型实现个性化推荐，并探讨自我监督预训练任务及其在零样本图学习中的应用。

本文提出了一种新的多尺度框架卷积设计，用于谱图神经网络，提高了对嘈杂图信号的鲁棒性。该方法利用异构图神经网络和多级图分析，嵌入了元路径上的拓扑信息。实验结果表明，该方法在异构图和同构图中表现出优越性能。

该文介绍了一种基于位置的学习方法，用于解决光学动作捕捉数据的问题。作者提出了一种新的异构图神经网络，能够提取标记点和关节的局部特征，并将其转化为清晰的动作。该方法在多个数据集上取得了高准确性，相对于最先进方法，对于遮挡的标记点位置误差的预测准确性提高了约20％，从而进一步降低了重建关节旋转和位置的误差约30％。

该研究提出了一种新的语言模型预训练框架，考虑了 Text-Attributed Heterogeneous Graph 中的拓扑和异构信息，通过优化语言模型和辅助异构图神经网络，定义了上下文图，并通过拓扑感知预训练任务来预测与上下文图有关的节点，同时采用文本增强策略来处理节点文本不平衡问题。实验结果证明了该方法的优越性和每个设计的合理性。

FedHGN是一种用于异构图神经网络的新型FGL框架，采用模式权重分离和系数对齐来提高性能和隐私保护。在三个异构图数据集上的表现优于本地训练和传统的FL方法。

该文介绍了一种新的基于位置的学习方法，用于处理光学动作捕捉数据。该方法使用异构图神经网络，将标记点和关节视为不同类型的节点，并使用图卷积操作提取局部特征，实现清晰的动作。实验结果表明，该方法在多个数据集上准确性高，对于遮挡的标记点位置误差的预测准确性提高了约20％，从而降低了重建关节旋转和位置的误差约30％。

ST-RAP是一种新颖的时空框架，用于房地产评估。它采用分层结构和异构图神经网络，能够同时捕捉时间动态和空间关系。实验证明ST-RAP在大规模房地产数据集上相较于先前方法具有显著优势，展示了整合空间和时间方面的重要性。