PIMPC-GNN：基于物理信息的多相一致学习用于增强图神经网络中不平衡节点分类
机器学习
2026-02-03 v1 人工智能
摘要
图神经网络（GNN）在类别不平衡的设置中常常难以胜任，其中少数类 underrepresented，预测偏向多数类。我们提出 PIMPC-GNN，这是一种面向不平衡节点分类的物理信息驱动的多相一致框架。该方法整合了三种互补动力学：（i）热力学扩散，这通过扩散少数标签来捕获长程依赖；（ii）库尔马同步，这通过振荡性一致性对齐少数节点；（iii）谱嵌入，这通过结构正则化分离类别。通过类别自适应集合权重将这些视角组合，并通过一种耦合平衡交叉熵与物理约束的不平衡感知损失进行训练。跨五个基准数据集和不平衡比率 5-100 的实验表明，PIMPC-GNN 在 16 种最先进的基线上均取得显著优势，少数类召回率提升最高可达 +12.7%，平衡准确率提升最高可达 +8.3%。除了实证改进，该框架还提供了关于图学习中一致性动力学的可解释见解。代码已公开于 https://github.com/afofanah/PIMPC-GNN。
引用
@article{arxiv.2602.01920,
title = {PIMPC-GNN: Physics-Informed Multi-Phase Consensus Learning for Enhancing Imbalanced Node Classification in Graph Neural Networks},
author = {Abdul Joseph Fofanah and Lian Wen and David Chen},
journal= {arXiv preprint arXiv:2602.01920},
year = {2026}
}