图神经网络在异配图上做节点分类时，聚合前的那一步一直由度归一化固定，而度归一化在谱上相当于一道零点位置由归一化而非数据决定的谷，稠密图的特征值恰好堆在那里。SpecValley把这道谷的中心、锐度和两侧增益改为按图学习，再接入一个普通的ChebNet谱滤波器。在六个异配基准上，SpecValley在其中四个达到或超过已发表最好结果，在Tolokers上落在最好结果的置信区间内，在Actor上落后；交叉五种聚合器与四种滤波器的对照把增益归到聚合这一步，而不是下游滤波器。
野火决策以小时计，而已有的学习型蔓延模型多在日尺度上预测，目标里还包含已经烧过的区域。FireGraphNet把未来约12小时的蔓延改写为有向H3六边形图上的节点分类：候选格是火线前沿外5环内的未燃格，边携带风向对齐、地形高差、燃料连续性和障碍物信息，图神经网络沿边传递消息。在5场加州封存测试火上，五个变体的平均精度是最强距离基线的1.7–1.9倍；在5场州外火上，GINE变体对距离基线保持1.62倍。
异质图上的注意力聚合长期把节点类型当作静态标签，元路径聚合又容易忽略中间节点的语义贡献。TAHAN改为沿元路径前缀收集邻居，跨元路径与层级按节点类型合并，再用类型内注意力和类型间注意力两级融合。在DBLP与IMDB的节点分类上，它的Macro-F1与Micro-F1均值高于所列基线，IMDB两项提升经Holm校正后显著；ACM上则低于SeHGNN。
当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。
EDiS 把图结构提取与每轮训练图组合分离：先用基于特征的分数和逐次最大分数覆盖森林把图一次性分解为可缓存的边不相交子图，再在每个 epoch 按边预算约束重新组合出训练图，无需重新提取结构；在 19 个同质、异质和大规模节点分类基准、相同边预算下与 17 个基线比较，EDiS-Lite 取得最高平均基准分与最低平均排名和差距。
作者提出 G2MLP：一种训练期 GNN 到 MLP 蒸馏框架，用 Ollivier–Ricci 曲率把监督分配到预测层与表示层，以纠正稀疏图上的谱欠拟合与稠密图上的谱过拟合；在六个节点分类基准上，无图 MLP 学生均取得最佳精度，并在 Graph Transformer 教师与链接预测上无需改动架构即可迁移。
该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。
该工作提出 BHyGNN+，一个面向异质超图表示学习的自监督框架：它把超图与其对偶超图（节点与超边角色互换）的增强视图用余弦相似度进行对比，从而在不需要真实标签、也不需要负样本的情况下学习表示，并在 11 个基准数据集（含异质与同质超图及一个合成异质数据集）上取得优于监督与自监督基线的节点分类准确率。
该工作对27个常用基准数据集上的基线模型进行超参数微调，依据图感知模型与其对应图无关模型的对比表现，将异质数据集划分为恶性、良性与模糊三类，并据此重新评估11个SOTA异质图模型、在三种合成图生成方法上对11个同质性度量做首次定量评测，发现多数SOTA模型并未显著优于最佳基线，且经典度量仍具竞争力。
已读完全部报道