基于能量引导的图大小不平衡学习——结构光滑化方法

图是表示实体之间关系的常见数据结构，常用于描绘和模拟分子、社交网络等众多系统。然而，现实图在多图分类中常面临大小不平衡问题，即节点数呈长尾分布。近期研究发现，针对长尾设置下的图神经网络 (GNN) 将损害模型性能。我们针对该现象进行调查，发现长尾图分布显著加剧了结构特征之间的差异。为缓解此问题，我们提出一种基于能量的大小不平衡学习框架，名为 SIMBA，通过能量传播对头类图与尾类图进行平滑化，并对其进行重新加权。具体而言，我们根据图之间的相关性构建一种更高层次的图抽象——“图到图”(Graphs-to-Graph)，以关联独立图并平滑结构差异。我们进一步设计了一种基于能量的消息传递信念传播方法，用于在训练过程中对低兼容性图进行加权，从而进一步平滑局部特征差异。在五个公开大小不平衡数据集上的大量实验表明，该模型在大小不平衡图分类任务中表现卓越。