无需类重平衡的类不平衡图学习
机器学习
2024-05-21 v2 人工智能
摘要
类不平衡在真实世界的节点分类任务中普遍存在，并给图学习模型带来巨大挑战。大多数现有研究根植于类重平衡（CR）视角，通过类级重加权或重采样来解决类不平衡。在本工作中，我们从拓扑范式切入类不平衡偏差的根本成因。具体而言，我们从理论上揭示了图拓扑中极大加剧类不平衡所致预测偏差的两个基本现象。在此基础上，我们设计了一个轻量级拓扑增强框架 BAT，以在不进行类重平衡的情况下缓解类不平衡偏差。BAT 与 CR 正交，可作为一个高效的即插即用模块，与现有 CR 技术无缝结合并显著提升其性能。在真实世界不平衡图学习任务上的系统实验表明，相较于现有技术，BAT 可带来高达 46.27% 的性能提升和高达 72.74% 的偏差缩减。代码、示例和文档可在 https://github.com/ZhiningLiu1998/BAT 获取。
引用
@article{arxiv.2308.14181,
title = {Class-Imbalanced Graph Learning without Class Rebalancing},
author = {Zhining Liu and Ruizhong Qiu and Zhichen Zeng and Hyunsik Yoo and David Zhou and Zhe Xu and Yada Zhu and Kommy Weldemariam and Jingrui He and Hanghang Tong},
journal= {arXiv preprint arXiv:2308.14181},
year = {2024}
}
备注
In ICML 2024; 26 pages, 9 figures, 12 tables