NodeReg：通过范数一致性缓解半监督节点分类中的不平衡与分布偏移效应
机器学习
2025-03-06 v1 人工智能
摘要
聚合邻近节点信息有利于图神经网络（GNN）在半监督节点分类任务中的表现。然而，这一机制也使节点容易受到邻近节点的影响。例如，当邻近节点不平衡或包含噪声时，甚至会影响 GNN 的分布外泛化能力。我们发现，确保节点表示的范数一致性可以显著减少这两个问题对 GNN 的影响。为此，我们提出了一种名为 NodeReg 的正则化优化方法，用于强制节点表示范数的一致性。该方法简单但有效，且满足利普希茨连续性，从而便于稳定优化，并在上述两种场景下显著提升了半监督节点分类的性能。举例来说，在不平衡场景中，当以 0.1 的不平衡比率训练 GCN 时，NodeReg 在五个公开数据集上的 F1 分数超越了最具竞争力的基线方法 1.4%–25.9%。同样，在分布偏移场景中，NodeReg 在准确率上超越了最具竞争力的基线方法 1.4%–3.1%。
引用
@article{arxiv.2503.03211,
title = {NodeReg: Mitigating the Imbalance and Distribution Shift Effects in Semi-Supervised Node Classification via Norm Consistency},
author = {Shenzhi Yang and Jun Xia and Jingbo Zhou and Xingkai Yao and Xiaofang Zhang},
journal= {arXiv preprint arXiv:2503.03211},
year = {2025}
}