最近在研究图神经网络（GNN），特别是异质图（Heterogeneous Graph）上的学习问题。整理一些初步的想法。

异质图 vs 同质图

很多人容易混淆“异质图”和“异构网络”的概念。在中文语境下：

• 异质图（Heterophilic Graph）：相邻节点标签倾向于不同，同质度（homophily）低。典型例子如社交网络中的对立观点群体。
• 异构网络（Heterogeneous Graph）：包含多种类型的节点和/或边。比如学术网络里有论文、作者、会议三种节点类型。

这两个概念经常被混用，但在方法论上完全不同。异质图上的挑战是如何处理低同质度带来的噪声传播问题；异构网络上的挑战是如何融合不同类型的语义信息。

Message Passing 的局限性

标准的 GNN 用 message passing 机制，本质上是在邻居节点间聚合信息。这在同质图上效果很好，但在异质图上会出问题——当邻居的标签和你不同时，聚合反而会引入噪声。

一些解决方案包括：

• 自适应权重：根据节点间的相似度动态调整聚合权重
• 高阶邻域：跳过直接邻居，用更远的节点来补充信息
• 对比学习：通过对比损失来学习对噪声鲁棒的表示

后续计划

接下来打算精读几篇最近的论文，特别是关于谱方法在异质图上的应用。等读完再写一篇详细的笔记。