RAHNet：用于长尾图分类的检索增强混合网络

图分类在许多现实世界多媒体应用中是一项关键任务，其中图可表示图像、视频和社交网络等多种多媒体数据类型。先前的研究将图神经网络（GNNs）应用于类别分布均衡的平衡场景。然而，现实世界数据通常呈现长尾类别分布，导致使用 GNNs 时偏向头部类别，且对尾部类别的泛化能力有限。近期方法主要聚焦于在模型训练阶段重新平衡不同类别，未能显式引入新知识，并牺牲了头部类别的性能。为克服这些缺陷，我们提出一种称为检索增强混合网络（RAHNet）的新框架，以解耦方式联合学习鲁棒的特征提取器与无偏分类器。在特征提取器训练阶段，我们设计图检索模块以搜索相关图，直接丰富尾部类的类内多样性。此外，我们创新性地优化以类别为中心的监督对比损失以获得判别性表示，其更适用于长尾场景。在分类器微调阶段，我们利用 Max-norm 与权重衰减两种权重正则化技术平衡分类器权重。在多个流行基准上的实验验证了所提方法相对于最先进方法的优越性。