本研究提出了HyperSMOTE方法，用于解决超图学习中的类别失衡问题。该方法通过合成少数类节点并整合进原始超图中，平均提高了3.38%和2.97%的分类准确率。

本文介绍了多种无源领域适应（SFDA）方法，如基于伪标签的聚类、超图学习和Transformer框架，旨在提升目标领域模型的性能。研究表明，改进的SFDA方法在多个数据集上表现优异，超越了传统领域适应技术。

该研究提出了一种新的超图学习方法，用于异构信息网络中的节点分类。该方法使用超图捕捉节点之间的高阶关系和提取语义信息，并利用原型提升学习过程的稳健性。实验验证了该方法在三个真实世界的异构信息网络中的有效性。