面向不平衡图节点分类的纯节点选择
机器学习
2025-09-30 v1 人工智能
摘要
类别不平衡问题指的是数据集中不同类别数量分布不均，其中一些类别显著少于其他类别。类别不平衡也存在于图结构数据中。图神经网络（GNN）通常基于类别平衡的假设进行设计，常常忽视类别不平衡的问题。在我们的调查中，我们识别出一种问题，称为随机异常连通性问题（Randomness Anomalous Connectivity Problem, RACP），即某些开箱即用的模型受到随机种子的影响，导致显著的性能下降。为消除算法中随机因素的影响，我们提出了 PNS（Pure Node Sampling，纯节点抽样）以解决 RACP。不同于已有方法针对数量不平衡或拓扑不平衡设计专门算法的做法，PNS 是一种新颖的即插即用模块，操作于节点合成阶段，以缓解 RACP。此外，PNS 也能缓解因节点邻居异常分布而导致的性能下降。我们进行一系列实验以识别哪些因素受随机种子的影响。实验结果表明，我们的方法在有效性和稳定性方面都表现出色，不仅消除了不利随机种子的影响，还在各种基准数据集上超越了基线模型，无论使用何种 GNN 架构。数据和代码均可在 https://github.com/flzeng1/PNS 获取。
引用
@article{arxiv.2509.23662,
title = {Pure Node Selection for Imbalanced Graph Node Classification},
author = {Fanlong Zeng and Wensheng Gan and Jiayang Wu and Philip S. Yu},
journal= {arXiv preprint arXiv:2509.23662},
year = {2025}
}
备注
Preprint, 8 tables, 9 figures