面向异配图的图神经网络：综述
机器学习
2026-04-21 v4
摘要
近年来图神经网络（GNNs）快速发展，惠及众多图分析任务与应用。大多数GNN依赖于同配假设，即属于同一类的节点更可能相连。然而，作为众多真实场景中的普遍图属性，异配性（即不同标签的节点倾向于相连）显著限制了量身定制的同配GNN的性能。因此，面向异配图的GNN正获得越来越多的研究关注，以增强异配下的图学习。本文提供对异配图GNN的全面综述。具体地，我们提出一个统辖现有异配GNN模型的系统分类法，以及总体总结和详细分析。此外，我们讨论异配性与各图研究领域的关系，旨在促进图研究界中跨一系列实际应用和学习任务开发更有效的GNN。最后，我们指出推进和启发未来基于GNN的异配图学习研究与应用的潜在方向。
引用
@article{arxiv.2202.07082,
title = {Graph Neural Networks for Graphs with Heterophily: A Survey},
author = {Xin Zheng and Yi Wang and Yixin Liu and Ming Li and Miao Zhang and Di Jin and Philip S. Yu and Shirui Pan},
journal= {arXiv preprint arXiv:2202.07082},
year = {2026}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE) 2026; 24 Pages