GraphIFE：基于不变学习重构图不平衡节点分类
机器学习
2025-09-30 v1 人工智能
摘要
类别不平衡问题指样本在不同类别之间分布不均，导致少数类样本显著不足。这一问题同样存在于图结构数据中。大多数图神经网络（GNN）隐式假设类别分布平衡，往往未能考虑类别不平衡带来的挑战，这会导致学习偏差，严重影响对少数类的性能。我们识别出合成节点中存在的质量不一致问题，导致在图不平衡条件下模型表现次优。为缓解此问题，我们提出了 GraphIFE（Graph Invariant Feature Extraction），一个旨在缓解合成节点质量不一致的新型框架。我们的方法融合图不变学习的两个关键概念，提出策略以强化嵌入空间表征，从而增强模型识别不变特征的能力。大量实验表明，该框架在效率和鲁棒性方面表现出色，GraphIFE 在多个数据集上均一致优于各种基线方法。代码已公开于 https://github.com/flzeng1/GraphIFE。
引用
@article{arxiv.2509.23616,
title = {GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning},
author = {Fanlong Zeng and Wensheng Gan and Philip S. Yu},
journal= {arXiv preprint arXiv:2509.23616},
year = {2025}
}
备注
PrePrint, 16 pages, 7 tables, 6 figures