近日，全省无障碍感知与智能系统实验室博士生顾铭的论文“Making Classic GNNs Strong Baselines Across Varying Homophily: A Smoothness–Generalization Perspective”、博士生郑卓男的论文“Understanding and Enhancing Message Passing on Heterophilic Graphs via Compatibility Matrix”、博士生吴之昊的论文“Where Graph Meets Heterogeneity: Collaborative Graph Mixture of Experts”被NeurIPS 2025 录用。

NeurIPS（The Conference on Neural Information Processing Systems）是人工智能和机器学习领域的顶级国际会议。本届 NeurIPS Main Track 共收到有效投稿 21,575 篇，接收 5,290 篇（占比 24.52%），其中Poster 4,525 篇，Spotlight 688 篇，Oral 77 篇。

图神经网络（Graph Neural Networks, GNNs）在推荐系统、社交网络分析、分子预测等领域取得了显著成功 ，但长期以来人们普遍认为 GNN 的性能受制于图中不同水平的同配性（homophily）。近期一些实证研究意外地发现，经过合理的超参数调整，经典的同配 GNN 也能够在不同同配性的数据集上表现良好，但其背后的理论机制与有效架构仍不清晰。

实际上，现实世界图数据并非单一的同配（homophily）或异配（heterophily）结构，而是在单个图的不同跳数和不同节点间呈现出复杂多样的同配性水平，这使得现有方法为同异配分别设计模型的做法难以实现跨同配水平的普适性。

针对这一问题，本研究从理论与实证双重角度揭示了一个关键挑战——“平滑性–泛化性困境”：随着信息传播层数的增加，节点表示的平滑性增强，但模型的泛化能力却随之下降。这种困境严重制约了 GNN 在高阶同配邻域及所有异配邻域中的学习效果。为突破这一瓶颈，团队提出了 Inceptive Graph Neural Network（IGNN）。该方法基于三项极简而有效的设计原则：分离化邻域变换（SN）、多感受野邻域聚合（IN）和邻域间关系学习（NR）。理论分析与数据实证表明，这些设计能够在不同跳间实现个性化的泛化能力并带来更好的网络总体泛化性，同时通过自适应平滑提升整体性能，从而有效缓解“平滑性-泛化性困境”。

在包含 25 个代表性基线方法的综合基准测试中，IGNN 在多种数据集上均展现出显著优势，验证了其跨同配性水平的普适能力。值得一提的是，研究还发现部分经典的同配 GNN 内在地包含了本文提出的若干设计原则，因此也具备一定的同异配普适潜力。为推动图神经网络跨同配普适性研究的进一步发展，团队将公开相关代码，欢迎感兴趣的研究者共同探索。

传统图神经网络（GNN）的消息传递机制与同配性假设（相连节点的模式往往更相似）高度契合，也因此在图数据挖掘任务中表现卓越。然而，相连节点也可能表现出不一致的模式，即所谓的“异配性”，这一现象引发了学术界和工业界对异配图神经网络（HTGNN）的研究兴趣。尽管消息传递机制因可能传播异配节点的信息而被认为不适用于异配图，但其在HTGNN中仍被广泛采用并持续取得显著成效。现有的一些研究尝试解释这一有趣现象，但它们大多局限于“数据”层面的分析，从“模型”视角理解其机理的研究仍较为匮乏，而后者对指导HTGNN的设计具有重要意义。

为填补这一空白，本文建立了节点区分度与兼容矩阵（CM）之间的理论关联。通过理论和经验性分析，我们发现消息传递机制在HTGNN中的有效性可能源于其提升了我们所提出的“兼容矩阵区分度（CMD）”这一指标。这为我们设计HTGNN提供了新的思路。然而，图上的稀疏性与噪声问题严重制约了兼容矩阵的有效利用。为此，我们提出了CMGNN这一架构，依靠引入辅助邻域与补充消息，在显式增强兼容矩阵与节点嵌入表征的同时，有效缓解了上述问题。

我们在13个数据集上进行系统性评估并与19个主流基线模型进行了对比，实验结果充分证明了CMGNN的优越性。

随着数据收集和分析手段的提高，各种类型的数据通过多种渠道被收集和利用。在现实世界中，数据不再是孤立的或单一的，而是由异构信息源组成的。在图数据中，属性和结构的异构性对现代图神经网络（GNNs）提出了更高要求。多元图神经网络（Multiplex GNNs）旨在融合与处理来自异构但互联的信息源以解决这一问题，但在处理过程中面临着一个核心挑战：如何平衡不同数据源间内在的一致性与各自独特的互补性。现有方法或通过共享权重过度强调一致性，或通过构建独立通道而牺牲了必要的交互，难以灵活适应异构图数据的复杂结构。

为解决这一难题，该研究受“混合专家模型”（Mixture-of-Experts, MoE）的启发，提出了一种名为“协同图混合专家”（Collaborative Graph Mixture of Experts）的新型框架。该框架通过共享的协同图专家库建立架构上的一致性，同时利用图感知路由机制为不同数据源动态激活最合适的专家组合，从而保留了其独特性。此外，团队还创新性地设计了“负载均衡损失”与“图差异损失”，以防止混合专家架构的退化，并增强了互补信息的学习。

我们在3种类型共计15个图基准数据集上进行了大量实验，证明该框架的性能超越了现有SOTA方法，展现了其强大的性能与泛化能力。