第2篇文献则是对几何等变图神经网络的调研，其根据GNN中的消息传递和聚合方式将现有的方法分为三类进行介绍；

第3篇文献则是对异质图神经网络的调研。

1. Federated Graph Neural Networks: Overview, Techniques and Challenges.

论文地址：https://arxiv.org/pdf/2202.07256

摘要：

2. Geometrically Equivariant Graph Neural Networks: A Survey.

论文地址：https://arxiv.org/pdf/2202.07230

摘要：

许多科学问题都要求以几何图形的形式处理数据。与一般图形数据不同，几何图形展示了平移、旋转和/或反射的对称性。研究人员利用这种归纳偏差，开发了几何等变图神经网络(GNN)，以更好地表征几何图形的几何和拓扑。尽管取得了丰硕的成果，但仍缺乏对等变GNN进展的综述，这反过来阻碍了等变GNN的进一步发展。为此，基于必要而简明的数学基础，我们根据GNN中的消息传递和聚合的表示方式，将现有的方法分为三类。我们也总结了基准和相关的数据集，以便于以后的研究，为方法学的发展和实验评估。并对未来可能的发展方向进行了展望。

3. Graph Neural Networks for Graphs with Heterophily: A Survey.

论文地址：https://arxiv.org/pdf/2202.07082

摘要：

近年来，图神经网络(GNN)得到了迅速的发展，为无数的图分析任务和应用提供了便利。一般来说，大多数GNN依赖于同质性假设，即属于同一类的节点更有可能被连接。然而，作为现实世界众多场景中普遍存在的图属性，异质性(即具有不同标签的节点往往被链接)严重限制了定制同质GNN的性能。因此，GNN for Heterophilic Graphs在这个社区中得到了越来越多的关注。据我们所知，本文首次对异质图的gnn作了一个全面的综述。具体来说，我们提出了一个系统的分类法，该分类法本质上支配着现有的亲异GNN模型，并对其进行了一般性的总结和详细的分析。此外，我们总结了主流的异亲图基准，以促进稳健和公平的评估。最后，我们指出了在异亲图研究和应用方面的潜在发展方向。

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

Embedding技术在商业搜索与推荐场景的实践