在图对比学习中通过难学节点自适应缓解度偏差
机器学习
2025-06-06 v1 人工智能
计算与语言
摘要
图神经网络（GNN）在节点分类任务中常遭受度偏差，即预测性能因节点度数不同而异。已提出多种采用图对比学习（GCL）的方法来缓解此偏差。然而，GCL 中正样本对数量有限以及所有正负样本对等权重的做法仍导致低度节点获取不足且有噪声的信息。本文提出难学自适应重加权（HAR）对比损失来缓解度偏差。它利用节点标签增加更多正样本对，并根据学习难度自适应地加权正负样本对。此外，我们开发了一个名为 SHARP 的实验框架，将 HAR 扩展到更广泛的场景。理论分析和实验均验证了 SHARP 的有效性。四个数据集上的实验结果表明，SHARP 在全局和度层面均优于基线方法。
引用
@article{arxiv.2506.05214,
title = {Mitigating Degree Bias Adaptively with Hard-to-Learn Nodes in Graph Contrastive Learning},
author = {Jingyu Hu and Hongbo Bo and Jun Hong and Xiaowei Liu and Weiru Liu},
journal= {arXiv preprint arXiv:2506.05214},
year = {2025}
}