超越同配假设的图节点不平衡分类
人工智能
2023-05-01 v1
摘要
不平衡节点分类广泛存在于真实网络中，图神经网络（GNNs）通常高度偏向多数类，并在分类少数类节点时遭受严重的性能下降。近期提出了多种不平衡节点分类方法，它们针对少数类构造合成节点与边，以平衡标签与拓扑分布。然而，它们都基于同配假设，即相同标签的节点倾向于相连，尽管真实图中广泛存在异配边。因此，它们统一聚合来自同配与异配邻居的特征，并依赖特征相似度生成合成边，无法应用于高异配的不平衡图。为解决这个问题，我们提出一种新颖的 GraphSANN，用于同配与异配图上的不平衡节点分类。首先，我们提出统一特征混合器，以统一方式生成具有同配与异配插值的合成节点。接着，通过随机采样合成节点与现有节点之间的边作为候选边，我们设计自适应子图提取器，以灵活范围自适应提取候选边的上下文子图。最后，我们开发多滤波器子图编码器，构建不同滤波通道，沿同配与异配边有区别地聚合邻居信息。在八个数据集上的大量实验证明了我们的模型在同配与异配图不平衡节点分类上的优越性。
引用
@article{arxiv.2304.14635,
title = {Imbalanced Node Classification Beyond Homophilic Assumption},
author = {Jie Liu and Mengting He and Guangtao Wang and Nguyen Quoc Viet Hung and Xuequn Shang and Hongzhi Yin},
journal= {arXiv preprint arXiv:2304.14635},
year = {2023}
}