本文复现了12个异质图神经网络（HGNN），发现简单的同质GNN被低估，GAT在适当条件下表现优异。构建了异质图基准（HGB），规范数据处理流程，并提出了Simple-HGN基准，显著优于现有模型，推动HGNN研究发展。

本文探讨了异质图神经网络（HGNN）的异质性问题，提出了Hetero$^2$Net模型，通过蒙版元路径和标签预测任务有效处理异质图。研究表明，该模型在半监督节点分类任务中优于传统模型。

该文综述异质图神经网络研究，涵盖异质性标签与对抗攻击鲁棒性的关系及可提升鲁棒性18.33%的设计原则，多谱滤波器节点注意力模型、广义PageRank架构、图重构与双图聚类方法，传统GCN在部分异质图上更优且同质性非性能必要条件的发现，群体公平性与局部同配性的联系及可提升公平性25%的异质GNN设计，CAGNNs框架对节点分类准确率的提升，解释性能差异的PAC-Bayesian界，以及异质GNN的分类、基准与方向综述。

该文综述异质图神经网络研究，提出系统分类法，分析主要模型与主流基准，并指出未来方向。相关研究涵盖DHGR图重构、Hetero²Net元路径方法、H2GCN、CPGNN兼容矩阵、HSBM理论分析及图聚类新方法，旨在提升异质图节点分类性能与鲁棒性。

本文复现了12个异质图神经网络，发现GAT在适当的输入情况下可以在各种情况下与或胜过所有现有的HGNNs。构建了异质图基准(HGB)，其中包括11个不同的数据集，以促进鲁棒且可重复的HGNN研究。介绍了一个简单但非常强大的基准Simple-HGN，它在HGB上明显优于所有先前的模型，以加速未来HGNNs的发展。