ImGCL：重新审视不平衡节点分类上的图对比学习
机器学习
2023-05-04 v2 人工智能
摘要
图对比学习（GCL）因其在无标签情况下学习节点/图表示的优越性能而引发了大量关注。然而在实践中，给定图的无标签节点底层类别分布通常是不平衡的。这种高度不平衡的类别分布不可避免地恶化了 GCL 中所学节点表示的质量。事实上，我们通过实证发现，大多数最先进的 GCL 方法无法获得具有判别性的表示，并在不平衡节点分类上表现出较差的性能。受此观察启发，我们提出了一种面向不平衡节点分类的原则性 GCL 框架（ImGCL），它能在无标签情况下自动且自适应地平衡从 GCL 学到的表示。具体而言，我们首先引入基于在线聚类的渐进平衡采样（PBS）方法并给出理论依据，该方法基于 GCL 所学表示获得的伪标签来平衡训练集。随后我们开发了基于节点中心性的 PBS 方法，通过对给定图中的重要节点赋予更高权重，以更好地保留图的固有结构。在多个不平衡图数据集及不平衡设定下的广泛实验证明了我们所提框架的有效性，其显著提升了近期最先进 GCL 方法的性能。进一步的实验消融与分析表明，ImGCL 框架持续改善了欠表示（尾部）类中节点的表示质量。
引用
@article{arxiv.2205.11332,
title = {ImGCL: Revisiting Graph Contrastive Learning on Imbalanced Node Classification},
author = {Liang Zeng and Lanqing Li and Ziqi Gao and Peilin Zhao and Jian Li},
journal= {arXiv preprint arXiv:2205.11332},
year = {2023}
}