TopoImb：面向图学习中的拓扑级不平衡
机器学习
2022-12-20 v1
摘要
图通过将关系编码为边、实体编码为节点，成为对非欧氏空间中具有底层结构的数据进行建模的有力工具。尽管多年来图结构数据学习不断发展，一个障碍依然存在：图不平衡。尽管已有若干尝试解决该问题，但它们仅限于考虑类级不平衡。本工作中，我们指出对于图，不平衡很可能存在于子类拓扑组级别。由于拓扑结构的灵活性，图可能高度多样，学习可泛化的分类边界将十分困难。因此，若干多数拓扑组可能主导学习过程，使其他组代表性不足。为解决该问题，我们提出新框架 TopoImb，并设计（1）一个拓扑提取器，利用显式记忆单元自动识别每个实例的拓扑组；（2）一个训练调制器，调节目标 GNN 模型的学习过程以防止拓扑组级代表性不足的情况。TopoImb 可作为 GNN 模型中的关键组件，以提升其在数据不平衡设定下的性能。我们从理论上提供了对拓扑级不平衡及所提 TopoImb 的分析，并以节点级与图级分类为目标任务实证验证了其有效性。
引用
@article{arxiv.2212.08689,
title = {TopoImb: Toward Topology-level Imbalance in Learning from Graphs},
author = {Tianxiang Zhao and Dongsheng Luo and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2212.08689},
year = {2022}
}
备注
Accepted by LOG22