图不平衡回归的谱流形谐波化
机器学习
2025-07-15 v2 分子网络
摘要
图结构数据在科学领域中十分常见，其中模型常常面临不平衡学习设置。在不平衡回归中，领域偏好关注特定目标值范围，这些范围代表最具科学价值的案例；然而，我们注意到针对这一挑战的研究存在严重不足。在本文中，我们提出了谱流形谐波化（SMH），一种新方法，用于通过生成保持拓扑属性的合成图样本来解决图结构数据的不平衡回归挑战。常规方法在此背景下失败，因为它们要么忽略图拓扑进行样本生成，要么不针对特定领域范围，导致模型偏向于平均目标值。实验结果表明，SMH 在化学和药物发现基准数据集上具有潜力，显示出在目标领域范围内持续改善预测性能。代码可在 https://github.com/brendacnogueira/smh-graph-imbalance.git 获取。
引用
@article{arxiv.2507.01132,
title = {Spectral Manifold Harmonization for Graph Imbalanced Regression},
author = {Brenda Nogueira and Gabe Gomes and Meng Jiang and Nitesh V. Chawla and Nuno Moniz},
journal= {arXiv preprint arXiv:2507.01132},
year = {2025}
}