基于图神经网络的复杂不平衡数据的层次化矿业
机器学习
2025-02-07 v1
摘要
本研究提出了一种用于高维不平衡数据的层次化矿业框架，利用深度图模型来解决传统方法在处理复杂的高维数据分布和不平衡样本表示方面的固有性能限制。通过构建数据集的结构化图表示并集成图神经网络（GNN）嵌入，所提出的方法有效捕捉了样本之间的全局相互依赖关系。此外，采用层次化策略来增强对少数类特征模式的表征和提取，从而实现对不平衡数据的精准且稳健的矿业。跨越多个实验情景的经验评估验证了所提出方法的有效性，证明其在关键绩效指标（包括模式发现数量、平均支持度和少数类覆盖率）方面显著优于传统方法。值得注意的是，该方法在少数类特征提取和模式相关性分析方面表现出优越的能力。这些发现凸显了深度图模型与层次化矿业策略相结合，能够显著提升不平衡数据分析的效率和准确性的潜力。该研究为高维复杂数据处理提供了一种新型计算框架，为未来扩展至动态演化的不平衡数据和多模态数据应用奠定了基础，从而拓展了先进数据矿业方法在更复杂分析领域的适用性。
引用
@article{arxiv.2502.03803,
title = {Graph Neural Network-Driven Hierarchical Mining for Complex Imbalanced Data},
author = {Yijiashun Qi and Quanchao Lu and Shiyu Dou and Xiaoxuan Sun and Muqing Li and Yankaiqi Li},
journal= {arXiv preprint arXiv:2502.03803},
year = {2025}
}