GAT-RWOS: 基于图注意力网络引导的随机漫步过采样用于不平衡数据分类
机器学习
2024-12-24 v1 机器学习
摘要
类别不平衡是机器学习中常见的挑战，常导致模型偏向多数类。在本文中，我们提出了 GAT-RWOS，这是一种新型基于图的过采样方法，将图注意力网络 (GAT) 和随机漫步过采样的优势相结合。GAT-RWOS 利用 GAT 的注意力机制引导随机漫步过程，聚焦于每个少数类节点最具信息性的邻域。通过执行注意力引导的随机漫步并沿遍历路径插值特征，GAT-RWOS 生成保持原始数据分布的合成少数类样本，以扩充类别边界。广泛的实验表明，GAT-RWOS 在改善不平衡数据集上的分类性能方面具有有效性，优于当前最先进的过采样技术。该方法有望显著提高机器学习模型在不平衡数据集上的性能，推动更可靠分类系统的发展。
引用
@article{arxiv.2412.16394,
title = {GAT-RWOS: Graph Attention-Guided Random Walk Oversampling for Imbalanced Data Classification},
author = {Zahiriddin Rustamov and Abderrahmane Lakas and Nazar Zaki},
journal= {arXiv preprint arXiv:2412.16394},
year = {2024}
}
备注
Accepted by ICKG 2024. Code is available at http://github.com/zahiriddin-rustamov/gat-rwos