GraphSMOTE：基于图神经网络的图不平衡节点分类
机器学习
2021-03-17 v1
摘要
节点分类是图学习中的重要研究课题。图神经网络（GNNs）已在节点分类上取得最先进的性能。然而，现有 GNNs 解决的是不同类别节点样本均衡的问题；而在许多真实场景中，某些类的实例可能远少于其他类。在此情况下直接训练 GNN 分类器会弱化对少数类样本的表达，导致次优性能。因此，开发面向不平衡节点分类的 GNNs 十分重要。然而，相关研究工作相当有限。为此，我们试图将先前针对独立同分布（i.i.d）数据的失衡学习技术扩展到不平衡节点分类任务，以辅助 GNN 分类器。具体而言，我们选择采用合成少数类过采样算法，因其被证明最为有效且稳定。该任务并非易事，因为先前的合成少数类过采样算法无法为合成的新样本提供关系信息，而这对图上的学习至关重要。此外，节点属性是高维的。直接在原始输入域中过采样会生成域外样本，可能损害分类器精度。我们提出一种新颖框架 GraphSMOTE，其中构建嵌入空间以编码节点间相似性。新样本在该空间中合成以保证真实性。此外，同时训练边生成器以建模关系信息，并为这些新样本提供该信息。该框架具有通用性，可轻松扩展为不同变体。所提框架在三个不同数据集上评估，并以较大优势优于所有基线方法。
引用
@article{arxiv.2103.08826,
title = {GraphSMOTE: Imbalanced Node Classification on Graphs with Graph Neural Networks},
author = {Tianxiang Zhao and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2103.08826},
year = {2021}
}
备注
Accepted by WSDM2021