SamGoG：基于抽样的图-图框架用于不平衡图分类
机器学习
2025-07-21 v1 人工智能
摘要
图神经网络（GNN）在图分类任务中通过捕捉结构和特征表示方面取得了显著的成功。然而，现实中的图往往存在两种关键的不平衡形式：类别不平衡和图大小不平衡。这些不平衡会偏导学习过程并降低模型性能。现有方法通常只解决一种类型的不平衡，或计算成本极高。本文提出了SamGoG，一种基于抽样的图-图（GoG）学习框架，有效缓解类别和图大小不平衡。SamGoG通过一种高效的基于重要性的抽样机制构建多个GoG，并顺序训练它们。该抽样机制融合了可学习的成对相似性和自适应GoG节点度，以增强边缘同质性，从而提高下游模型质量。SamGoG可以无缝集成到各种下游GNN中，使其能够高效适应图分类任务。广泛的基准数据集实验表明，SamGoG在实现最新性能的同时，以6.7倍的训练加速实现了最高可达15.66%的准确率提升。
引用
@article{arxiv.2507.13741,
title = {SamGoG: A Sampling-Based Graph-of-Graphs Framework for Imbalanced Graph Classification},
author = {Shangyou Wang and Zezhong Ding and Xike Xie},
journal= {arXiv preprint arXiv:2507.13741},
year = {2025}
}