GraphSR：一种用于不平衡节点分类的数据增强算法

图神经网络（GNNs）在节点分类任务中已取得巨大成功。然而，现有 GNNs 天然偏向于具有更多标注数据的大多数类，而忽略那些标注较少的少数类。传统技术常求助于过采样方法，但可能导致过拟合问题。近来，部分工作提出从标注节点为少数类合成额外节点，然而，这些生成节点是否真正代表相应少数类并无任何保证。事实上，不恰当的合成节点可能导致算法泛化不足。为解决该问题，本文寻求从图中大量未标注节点自动增强少数类。具体而言，我们提出 \textit{GraphSR}，一种基于相似度选择模块与强化学习（RL）选择模块、利用未标注节点显著多样性增强少数类的新型自训练策略。第一模块找出与标注少数类节点最相似的未标注节点子集，第二模块进一步通过 RL 技术从该子集中确定具代表性与可靠的节点。此外，基于 RL 的模块可根据当前训练数据自适应确定采样规模。该策略具通用性，可轻松与不同 GNNs 模型结合。我们的实验表明所提方法在各种类不平衡数据集上优于最先进基线。