Graffin：面向不平衡节点分类中的尾部数据
机器学习
2024-09-10 v1
摘要
图表示学习（GRL）模型在许多场景中取得了成功。现实世界的图存在不平衡分布，例如节点标签和度，这给GRL带来了严峻的挑战。不平衡的输入可能导致不平衡的输出。然而，现有的大多数工作忽略了这一点，并假设输入图的分布是平衡的，这与实际情况不符，导致模型在尾部数据上的性能更差。头部数据的支配地位使得尾部数据在图神经网络（GNN）训练中代表性不足。因此，我们提出了Graffin，一个可插拔的尾部数据增强模块，以解决上述问题。受循环神经网络（RNN）的启发，Graffin通过图序列化技术将头部特征流入尾部数据，以缓解尾部表示的不平衡。在邻域和序列信息的共同作用下，局部和全局结构被融合以形成节点表示，从而丰富了尾部数据的语义。我们在节点分类任务中的四个真实世界数据集上验证了Graffin的性能。结果表明，Graffin可以在不显著降低整体模型性能的情况下，提高对尾部数据的适应性。
引用
@article{arxiv.2409.05339,
title = {Graffin: Stand for Tails in Imbalanced Node Classification},
author = {Xiaorui Qi and Yanlong Wen and Xiaojie Yuan},
journal= {arXiv preprint arXiv:2409.05339},
year = {2024}
}
备注
9 pages