基于多样性专家混合的图分类
机器学习
2021-03-30 v1
摘要
图分类在广泛领域的许多应用中是一个具有挑战性的研究问题。在这些应用中，类别分布不平衡极为常见。近来，图神经网络（GNN）模型在各种真实世界数据集上取得了优越性能。尽管成功，当前大多数 GNN 模型很大程度上忽视了不平衡类别分布这一重要设定，这通常导致对多数类的预测偏置。为缓解该预测偏置，我们提出基于节点嵌入分布利用数据集的语义结构。具体而言，我们提出 GraphDIVE，一种利用多样性专家混合（即图分类器）进行不平衡图分类的通用框架。遵循分而治之原则，GraphDIVE 采用门控网络将不平衡图数据集划分为若干子集。然后每个专家网络基于其对应子集进行训练。在真实世界不平衡图数据集上的实验证明了 GraphDIVE 的有效性。
引用
@article{arxiv.2103.15622,
title = {Graph Classification by Mixture of Diverse Experts},
author = {Fenyu Hu and Liping Wang and Shu Wu and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2103.15622},
year = {2021}
}