基于课程引导特征学习和三阶段注意力网络提升不平衡节点分类
机器学习
2026-02-04 v1 人工智能
摘要
图神经网络 (GNN) 中的不平衡节点分类是指某些标签比其他标签更常见，这会导致模型不公平地学习，在较不常见的类别上表现不佳。为解决此问题，我们提出了一种基于课程引导特征学习和三阶段注意力网络的 CL3AN-GNN 模型，该模型使用类似人类学习方式的三步注意力系统（Engage、Enact、Embed）。该模型首先通过结构更简单的特征进行学习，即（1）局部邻域模式（1 跳），（2）低度节点属性，以及（3）通过初始图卷积网络和图注意力网络 (GCN 和 GAT) 嵌入识别的类别可分节点对。这一基础设施使模型在标签不平衡的情况下仍能稳定地进行早期学习。Enact 阶段随后处理更复杂的方面：（1）需要多步才能建立的联系，（2）连接不同类型节点的边，以及（3）来自少数类边缘节点的节点。最后，Embed 阶段通过迭代消息传递和课程对齐损失权重来整合这些特征。我们在覆盖社交、生物和引用网络的八个 Open Graph Benchmark 数据集上评估了 CL3AN-GNN。实验表明，在准确率、F1 分数和 AUC 方面，CL3AN-GNN 均在最新方法上实现了持续的改进。该模型的分步骤方法与不同类型的图数据集兼容，显示出比一次性训练更快的结果，对新建构的不平衡图表现更好，并且通过梯度稳定性和注意力相关学习曲线清晰地解释了每一步。该工作为 GNNs 中的课程学习提供了理论依据，并通过指标、收敛速度和泛化测试验证了其有效性。
引用
@article{arxiv.2602.03808,
title = {Enhancing Imbalanced Node Classification via Curriculum-Guided Feature Learning and Three-Stage Attention Network},
author = {Abdul Joseph Fofanah and Lian Wen and David Chen and Shaoyang Zhang},
journal= {arXiv preprint arXiv:2602.03808},
year = {2026}
}