面向不平衡异质信息网络的语义感知节点合成
机器学习
2023-08-16 v2 人工智能
摘要
异质图神经网络（HGNNs）在建模异质信息网络（HINs）中复杂的异质性方面已展现出卓越效能。HGNNs的关键优势在于其能够通过提取并利用丰富的语义信息来处理HINs中多样的节点与边类型，从而实现有效的表示学习。然而，作为许多真实场景中的普遍现象，HINs中的类不平衡分布给现有HGNNs带来了性能瓶颈。除节点的数量不平衡外，HINs中另一个更关键且独特的挑战是语义不平衡。HINs中的少数类往往缺乏多样且充分的邻居节点，导致语义信息存在偏差且不完整。这种语义不平衡进一步加剧了准确分类少数类节点的难度，致使HGNNs性能下降。为应对少数类的失衡并补充其不足语义，我们提出了针对不平衡HINs中语义不平衡问题的首个方法——语义感知节点合成（SNS）。通过评估对少数类的影响，SNS自适应地选择异质邻居节点，并在保留少数类语义的同时以合成节点增强网络。此外，我们为HGNNs引入了两种正则化方法，从语义与类别两个角度约束合成节点的表示，以有效抑制合成节点带来的潜在噪声，从而促成更具表达力的分类嵌入。综合实验研究表明，SNS在不同基准数据集上均以大幅优势持续优于现有方法。
引用
@article{arxiv.2302.14061,
title = {Semantic-aware Node Synthesis for Imbalanced Heterogeneous Information Networks},
author = {Xinyi Gao and Wentao Zhang and Tong Chen and Junliang Yu and Hung Quoc Viet Nguyen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2302.14061},
year = {2023}
}