面向类别不平衡节点分类的自动损失函数搜索

类别不平衡节点分类任务在现实场景中广泛存在。由于节点在不同类别之间的分布不均，学习高质量的节点表示仍然具有挑战性。损失函数的工程化设计在解决这一问题方面显示出巨大的潜力，涉及对损失函数进行精细设计，利用不同类别节点数量及网络拓扑信息来学习无偏的节点表示。然而，这些损失函数的设计高度依赖人类专家知识，且对特定目标任务的适应性有限。本文引入了一个高性能、灵活且可泛化的自动化损失函数搜索框架，以应对这一挑战。在 15 种图神经网络与数据集的组合上，本文框架的性能显著优于现有最先进方法。此外，我们观察到，图结构数据中的同质性（homophily）对本文框架的可迁移性贡献显著。