异构图学习手册：基准、模型、理论分析、应用与挑战

同质性原理，即标签相同或属性相似的节点更可能相连，长期以来被认为是图神经网络(GNN)在图结构数据上优于传统神经网络(NN)的主要原因，尤其是在节点级任务上。然而，近期研究发现，在一些数据集上，GNN的性能不如NN。异质性，即低同质性，被认为是这一经验现象的主要原因。人们开始在异构性情景下重新评估大多数现有图模型，包括图转换器及其变体，无论是异构图、时序图还是超图。此外，许多图相关应用都与异构性问题密切相关。过去几年来，人们致力于研究和解决异构性问题。本综述提供了关于异构图学习最新进展的全面回顾，包括对基准数据集和合成图上同质性指标的广泛总结，对最新监督学习和无监督学习方法的细致分类，对同质性/异构性理论分析的深入剖析，以及对异构性相关应用的广泛探索。值得注意的是，通过详细实验，我们首次将基准异构数据集分为三类子目录：恶性、良性和模糊性异构。恶性和模糊性数据集被识别为测试新模型在异构性挑战方面有效性的真正具有挑战性的数据集。最后，我们提出了若干挑战和未来方向，以发展异构图表示学习。