HyperSMOTE：一种用于不平衡节点分类的基于超图的过采样方法
机器学习
2024-09-10 v1 人工智能
摘要
由于与传统图相比，超图在建模和提取节点间高阶关系方面具有卓越的能力，它们在单模态和多模态数据场景中的使用日益增多。然而，当前的超图模型正面临与数据不平衡相关的挑战，因为这种不平衡会导致模型偏向更普遍的类别。虽然现有技术（如图SMOTE）提高了图数据中少数样本的分类准确率，但在处理超图的独特结构时仍然存在不足。受 SMOTE 概念的启发，我们提出了 HyperSMOTE 作为缓解超图学习中类不平衡问题的解决方案。该方法包含两个步骤：首先合成少数类节点，然后将这些节点整合到原始超图中。我们基于少数类的样本及其邻居合成新节点。同时，为了解决将新节点整合到超图中的问题，我们基于原始超图关联矩阵训练了一个解码器，以自适应地将增强的节点关联到超边上。我们在多个单模态数据集（如 Cora、Cora-CA 和 Citeseer）以及多模态对话数据集 MELD 上进行了广泛评估，以验证 HyperSMOTE 的有效性，结果显示其在准确率上分别平均提升了3.38%和2.97%。
引用
@article{arxiv.2409.05402,
title = {HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications},
author = {Ziming Zhao and Tiehua Zhang and Zijian Yi and Zhishu Shen},
journal= {arXiv preprint arXiv:2409.05402},
year = {2024}
}