本研究提出HCAF-DTA模型，利用跨注意力融合超图神经网络预测药物-靶标结合亲和力。该模型通过构建药物分子超图和加权图提取特征，并采用双向多头跨注意机制建模分子间相互作用，实验结果表明其预测性能显著优于现有技术。

本研究提出了一种新颖的提示超图神经网络（PHGNN），用于阿尔茨海默病（AD）诊断和轻度认知障碍（MCI）转归预测。该框架结合超图学习与提示学习，有效处理数据异质性和缺失问题，实验结果表明其性能优于现有方法。

本研究提出了一种创新的超图攻击方法（IE-Attack），通过向精英超边注入同质节点，提升了超图神经网络的攻击性能和隐蔽性，实验结果验证了其优越性。

本研究提出了SHypX，一种用于超图神经网络的通用解释器，解决了可解释性问题。SHypX通过优化采样提供局部和全局解释，实例层面进行输入归因，模型层面通过无监督概念提取生成全局解释。实验显示，该方法在忠实度上比基线提高了25%。

本研究提出了AlignGroup方法，解决了群体推荐任务中既考虑群体共识又考虑个体偏好的问题。通过超图神经网络学习群体内外关系，并通过自监督对齐任务捕捉群体决策。实验证明，AlignGroup在群体推荐和用户推荐任务中优于现有方法。