结合课程学习的图神经网络用于不平衡节点分类
机器学习
2022-02-08 v1 人工智能
摘要
图神经网络（GNN）是一种用于节点分类等基于图的学习任务的新兴技术。在本工作中，我们揭示了 GNN 对节点标签不平衡的脆弱性。传统的类别不平衡分类解决方案（例如重采样）在未考虑图结构的情况下对节点分类无效。更糟的是，由于缺乏充分的先验知识，它们甚至可能带来过拟合或欠拟合结果。为解决这些问题，我们提出一种新颖的带课程学习的图神经网络框架（GNN-CL），其由两个模块组成。一方面，我们希望通过基于平滑性与同配性的新颖基于图的过采样来获取某些可靠的插值节点与边。另一方面，我们结合图分类损失与度量学习损失，以调整特征空间中与少数类相关的不同节点之间的距离。受课程学习启发，我们在训练过程中动态调整不同模块的权重，以获得更好的泛化与判别能力。所提框架在多个广泛使用的图数据集上进行了评估，表明我们提出的模型持续优于现有的最先进方法。
引用
@article{arxiv.2202.02529,
title = {Graph Neural Network with Curriculum Learning for Imbalanced Node Classification},
author = {Xiaohe Li and Lijie Wen and Yawen Deng and Fuli Feng and Xuming Hu and Lei Wang and Zide Fan},
journal= {arXiv preprint arXiv:2202.02529},
year = {2022}
}