Meta-GCN：用于处理图神经网络数据不平衡的动态加权损失最小化方法
机器学习
2024-07-01 v2 人工智能
摘要
尽管许多现实应用，如疾病预测和故障检测都受数据不平衡的困扰，但大多数现有的基于图的分类方法忽略了类别分布的偏斜性，因此倾向于偏向多数类别。传统方法通常通过对每个样本的损失函数进行函数运算来分配权重，这可能导致对离群点的过拟合。本文提出一种名为 Meta-GCN 的元学习算法，通过同时最小化无偏元数据集损失和优化模型权重来自适应学习样本权重。通过实验，我们证明了 Meta-GCN 在两个不同数据集上的准确率、受试者工作特征曲线下面积(AUC-ROC)和宏平均 F1 分数等指标上均优于最先进的框架和其他基线方法。
引用
@article{arxiv.2406.17073,
title = {Meta-GCN: A Dynamically Weighted Loss Minimization Method for Dealing with the Data Imbalance in Graph Neural Networks},
author = {Mahdi Mohammadizadeh and Arash Mozhdehi and Yani Ioannou and Xin Wang},
journal= {arXiv preprint arXiv:2406.17073},
year = {2024}
}