面向层级不平衡节点分类的双曲几何图表示学习

学习图数据中不平衡样本的无偏节点表示已成为一个日益显著且重要的课题。对于图而言，一个重大挑战是节点的拓扑属性（如位置、角色）不平衡（拓扑不平衡），而非仅训练标签节点数量的不平衡（数量不平衡）。现有关于拓扑不平衡的研究聚焦于节点的位置或局部邻域结构，忽略了图全局潜在的层级属性，即层级性。在真实场景中，图数据的层级结构揭示了图的重要拓扑属性，并与广泛应用相关。我们发现具有不同层级属性的训练标签节点对节点分类任务有显著影响，并在实验中予以证实。众所周知，双曲几何在表示图的层级结构方面具有独特优势。因此，我们尝试从双曲几何的新视角探究图神经网络节点分类的层级不平衡问题，包括其特性与成因。进而，我们提出一种新颖的双曲几何层级不平衡学习框架，名为 HyperIMBA，以缓解由标签节点层级水平不均及跨层级连接模式引起的层级不平衡问题。大量实验结果证明了 HyperIMBA 在层级不平衡节点分类任务上的优越有效性。