GraphSB：通过结构平衡提升图上不平衡节点分类
机器学习
2025-11-14 v1 社会与信息网络
摘要
不平衡节点分类是图学习中的关键挑战，目前方法通常采用图神经网络（GNN）学习节点表示。这些方法可大致分为数据层面和算法层面。前者旨合成少数类节点以缓解数量不平衡，后者则尝试优化学习过程以突出少数类。然而，两类方法都未解决图结构本身的不平衡问题，这是导致GNN中多数类主导和少数类同化的根本因素。我们的理论分析进一步支持这一关键见解。因此，我们提出GraphSB（Graph Structural Balance），一种新型框架，引入结构平衡作为关键策略，在节点合成之前处理底层不平衡图结构。结构平衡包含两个阶段：结构增强通过自适应构建基于相似性的边来强化少数类节点的连通性，关系扩散捕获更高阶依赖关系的同时放大少数类的信号。因此，GraphSB在节点合成前平衡结构分布，使GNN的学习更为有效。广泛实验表明，GraphSB显著优于当前方法，更重要的是，所提出的结构平衡可无缝集成到当前方法中作为简单可插即用的模块，平均提升准确率3.67%。
引用
@article{arxiv.2511.10022,
title = {GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance},
author = {Chaofan Zhu and Xiaobing Rui and Zhixiao Wang},
journal= {arXiv preprint arXiv:2511.10022},
year = {2025}
}