ImGAGN：基于生成对抗图网络的不平衡网络嵌入
机器学习
2021-06-08 v1 人工智能
摘要
图上的不平衡分类在许多真实应用（如欺诈节点检测）中普遍存在且具挑战性。近来，图神经网络（GNNs）在许多网络分析任务上展现出良好性能。然而，现有大多数GNN几乎只关注平衡网络，在不平衡网络上表现不佳。为弥补这一差距，本文提出一种称为ImGAGN的生成对抗图网络模型，以解决图上的不平衡分类问题。它引入了一种面向图结构数据的新生成器，名为GraphGenerator，其可通过生成一组合成少数类节点来模拟少数类节点的属性分布与网络拓扑结构分布，从而使不同类的节点数量达到平衡。随后训练一个图卷积网络（GCN）判别器，在合成平衡网络上区分真实节点与伪造（即生成的）节点，以及区分少数类节点与多数类节点。为验证所提方法的有效性，在四个真实世界不平衡网络数据集上进行了大量实验。实验结果表明，所提方法ImGAGN在半监督不平衡节点分类任务上优于最先进的算法。
引用
@article{arxiv.2106.02817,
title = {ImGAGN:Imbalanced Network Embedding via Generative Adversarial Graph Networks},
author = {Liang Qu and Huaisheng Zhu and Ruiqi Zheng and Yuhui Shi and Hongzhi Yin},
journal= {arXiv preprint arXiv:2106.02817},
year = {2021}
}
备注
to be published in KDD'2021