The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges

同质性原则，即具有相同标签或类似属性的节点更可能相互连接，一直被认为是图神经网络（GNN）在图结构数据上，尤其是在节点级任务上优于传统神经网络（NN）的主要原因。然而，最近的研究发现，在某些数据集上，GNN相对于NN的性能并不令人满意。异质性，即低同质性，被认为是这一经验观察的主要原因。人们已经开始重新审视和重新评估大多数现有的图模型，包括图变换器及其变体，在异质性情况下跨各种类型的图，例如异构图、时间图和超图。此外，发现许多与图相关的应用与异质性问题密切相关。在过去几年中，已经投入了相当多的努力来研究和解决异质性问题。在本综述中，我们对异质性图学习的最新进展进行了全面的综述，包括对合成图上同质性度量的基准数据集和评估的广泛总结，对最新的监督和无监督学习方法进行细致的分类，对同质性/异质性的理论分析进行深入的解读，并广泛探讨了与异质性相关的应用。值得注意的是，通过详细的实验，我们是第一个将基准异质性数据集分类为三个子类：恶性、良性和模糊异质性。恶性和模糊数据集被确定为测试新模型在异质性挑战上有效性的真正具有挑战性的数据集。最后，我们提出了几个异质性图表示学习的挑战和未来方向。

本文旨在研究如何解决异质图学习中的异质性问题，以及相关的挑战和未来方向。

本文提出了一种综合性的方法，包括基准数据集的分类、异质性指标的评估、有监督和无监督学习方法的分类、理论分析以及应用探索等方面，以研究异质性问题。

本文通过实验将基准异质性数据集分为三类：恶性、良性和模糊异质性。本文还提出了一些挑战和未来方向，如如何解决异质性问题、如何设计更好的异质性指标等。

最近的相关研究包括《Heterogeneous Graph Attention Network》、《Representation Learning on Graphs with Jumping Knowledge Networks》等。