GraphSB：通过结构平衡提升图上不平衡节点分类
机器学习
2026-01-28 v1
摘要
不平衡节点分类是图学习中的关键挑战，现有方法通常利用图神经网络(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。前者旨在合成少数类节点以缓解数量不平衡，后者试图优化学习过程以突出少数类。然而，两者都未解决根本性的图结构不平衡问题，这是导致GNN中多数类主导和少数类同化的关键因素。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(图结构平衡)，一种新框架，将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。结构平衡包括两个阶段的结构优化：通过双视图分析挖掘决策边界附近的困难样本，通过自适应增强来增强少数类的连通性；关系扩散在传播增强的少数类背景的同时捕获更高阶结构依赖。因此，GraphSB在节点合成之前平衡结构分布，使GNN的学习更为有效。广泛的实验表明，GraphSB显著优于最先进的方法。更重要的是，提出的结构平衡可作为简单的即插即用模块无缝集成到最先进的方法中，平均提高准确率4.57%。
引用
@article{arxiv.2601.19352,
title = {GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance},
author = {Zhixiao Wang and Chaofan Zhu and Qihan Feng and Jian Zhang and Xiaobin Rui and Philip S Yu},
journal= {arXiv preprint arXiv:2601.19352},
year = {2026}
}