基于图-图神经网络的类别不平衡图分类
机器学习
2022-09-29 v2 社会与信息网络
摘要
图神经网络（GNNs）在识别图的类别标签方面取得了前所未有的成功。然而，现有多数基于GNNs的图分类问题遵循平衡数据划分协议，这与许多真实场景中某些类的标签远少于其他类的情形不符。在此不平衡场景下直接训练GNNs可能导致少数类图的表示缺乏信息性，并损害整体分类性能，这凸显了开发有效GNNs以处理不平衡图分类的重要性。现有方法要么专为非图结构数据设计，要么专门针对不平衡节点分类，而极少关注不平衡图分类。为此，我们引入了一种新框架——图-图神经网络（GGNN），它通过从邻近图的全局和图随机增强的局部派生额外监督来缓解图不平衡问题。在全局上，我们基于核相似度构建图之图（GoG）并执行GoG传播以聚合邻近图表示。在局部上，我们通过掩蔽节点特征或丢弃边并结合自一致性正则化进行拓扑增强，生成每个图的随机增强以提升模型泛化性。在七个基准数据集上进行的广泛图分类实验表明，我们提出的GGNN在F1-macro和F1-micro分数上均比众多基线高出约5%。GGNN的实现见 https://github.com/YuWVandy/G2GNN。
引用
@article{arxiv.2112.00238,
title = {Imbalanced Graph Classification via Graph-of-Graph Neural Networks},
author = {Yu Wang and Yuying Zhao and Neil Shah and Tyler Derr},
journal= {arXiv preprint arXiv:2112.00238},
year = {2022}
}