该论文探讨了一种基于历史经验的改造预测方法，适用于生成标签预测。研究提出了结合CP技术与经典算法的置信区间集合，解决了传统方法在处理未知变量时的瓶颈。实验验证了该方法在回归和分类问题中的有效性，并提出了新的校准方法和鲁棒性调整策略。

该研究提出了一种新的异质图神经网络 Hetero$^2$Net，通过蒙版元路径预测和蒙版标签预测任务，有效地处理同质性和异质性异质图。在五个真实异质图基准上评估了 Hetero$^2$Net 的性能，结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型。