GraphMixup：基于自监督上下文预测改善图上类不平衡节点分类
机器学习
2021-06-22 v1 人工智能
摘要
近年来，图神经网络（GNNs）在处理节点分类任务上取得了巨大成功。然而，大多数现有 GNN 基于不同类别节点样本均衡的假设，而对于许多真实图存在类不平衡问题，即某些类的样本远少于其他类。此时，直接用原始数据训练 GNN 分类器会欠表示少数类样本并导致次优性能。本文提出 GraphMixup，一种基于 mixup 的新型框架，用于改善图上的类不平衡节点分类。然而，由于在输入空间或嵌入空间直接执行 mixup 会因少数类极度稀疏而产生域外样本，因此我们构建语义关系空间，使特征 mixup 可在语义层面进行。此外，我们应用两种基于上下文的自监督技术来捕获图结构中的局部与全局信息，并针对图数据专门提出边 mixup。最后，我们开发了强化 mixup 机制，自适应确定少数类需由 mixup 生成的样本数量。在三个真实数据集上的大量实验表明，GraphMixup 在类不平衡节点分类任务上取得了令人鼓舞的结果。
引用
@article{arxiv.2106.11133,
title = {GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction},
author = {Lirong Wu and Haitao Lin and Zhangyang Gao and Cheng Tan and Stan. Z. Li},
journal= {arXiv preprint arXiv:2106.11133},
year = {2021}
}