GraphSHA：为类不平衡节点分类合成更难样本
机器学习
2023-06-19 v1
摘要
类不平衡是指某些类的实例远少于其他类的现象，这在现实世界的图结构场景中十分普遍。近期研究发现，现成的图神经网络（GNNs）会欠表示少数类样本。我们探究该现象并发现，少数类在潜空间中的子空间被多数类的子空间挤压是这一失败的主要原因。我们自然地受启发去扩大少数类的决策边界，并提出一个通用框架GraphSHA，通过合成更难（HArder）的少数类样本来实现。此外，为避免扩大的少数类边界侵犯邻类的子空间，我们还提出一个名为SemiMixup的模块，将扩大的边界信息传输至少数类内部，同时阻断从少数类到邻类的信息传播。在经验上，GraphSHA在扩大少数类决策边界方面展现出有效性，因其在七个公开基准数据集上，以不同GNN骨干编码器在类不平衡节点分类中优于多种基线方法。代码见 https://github.com/wenzhilics/GraphSHA。
引用
@article{arxiv.2306.09612,
title = {GraphSHA: Synthesizing Harder Samples for Class-Imbalanced Node Classification},
author = {Wen-Zhi Li and Chang-Dong Wang and Hui Xiong and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2306.09612},
year = {2023}
}
备注
Accepted to KDD 2023 Research Track