TAM：用于类不平衡节点分类的拓扑感知间隔损失
机器学习
2022-06-28 v1 人工智能
摘要
在类不平衡图数据下学习无偏节点表示因相邻节点间的交互而具挑战性。现有研究的共同点是依据少数类节点的整体数量（忽略图中节点连接）将其“作为一组”进行补偿，这不可避免地增加了多数类节点的假阳性案例。我们假设这些假阳性案例的增加高度受各节点周围标签分布影响，并通过实验证实。此外，为处理此问题，我们提出拓扑感知间隔（TAM）以将局部拓扑反映到学习目标中。我们的方法将每个节点的连接模式与类平均对应模式比较，并据此自适应调整间隔。我们的方法在各种具代表性 GNN 架构的节点分类基准数据集上持续优于基线。
引用
@article{arxiv.2206.12917,
title = {TAM: Topology-Aware Margin Loss for Class-Imbalanced Node Classification},
author = {Jaeyun Song and Joonhyung Park and Eunho Yang},
journal= {arXiv preprint arXiv:2206.12917},
year = {2022}
}
备注
Accepted to ICML 2022; First two authors equally contributed