异质图论文阅读

1 《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》

1.1 Contributions

（1）三个理论证明，最重要的证明了GCN处理异质图的缺陷；
（2）提出了不同hop和不同iterations的特征拼接有助于提高模型准确性；

1.2 Benchmark

synthematic dataset、Texas、Wisconsin、Actor、Squirrel、Chameleon、Cornell、CoraFull、Citeseer、Pumbed、Cora；

1.3 Baseline

GCN、GAT、GCN-Cheby、GraphSAGE、MixHop et al……

2 《Graph Neural Networks with Heterophily》

2.1 Contributions

感觉就是对GCN的卷积方式进行了改进，但是改进的方法不是学习节点特征表示，而是对节点类别进行更新……
不知道这种想法有没有问题

2.2 Formulation

2.3 Benchmark、Baseline

和上篇文章相同。

3 《SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily》

3.1 Contributions

（1）使用谱聚类，利用节点特征构建新的关联矩阵，进而将更远的节点信息考虑进来；
（2）在谱聚类的基础上，通过改进降低计算量；

3.2 Baselines

MLP、GCN、GAT、MixHop、Geom-GCN、H2GCN……

3.3 Benchmark

Cora、Citeseer、Pumbed、Squirrel、Chameleon、Cornell、Texas、Wisconsin……