面向半监督节点分类的拓扑不平衡学习
机器学习
2021-10-11 v1
摘要
类不平衡问题作为节点表示学习中的一个重要问题，已引起社区越来越多的关注。尽管现有研究考虑的不平衡源于不同类别中标注样本数量的不等（数量不平衡），我们认为图数据暴露出一种独特的不平衡来源，即标注节点拓扑性质的非对称性，也就是说，标注节点在图中所处的结构角色并不对等（拓扑不平衡）。在本工作中，我们首先探究了这一此前未被认识的拓扑不平衡问题，包括其特征、成因以及对半监督节点分类学习的威胁。随后，我们通过结合标签传播算法中的节点影响力偏移现象，提供了一个统一视角来联合分析数量不平衡与拓扑不平衡问题。基于我们的分析，我们设计了一种基于影响力冲突检测的度量指标 Totoro 来衡量图拓扑不平衡的程度，并提出了一种模型无关的方法 ReNode，通过根据标注节点相对于类边界的相对位置自适应地重新加权其影响力，以解决拓扑不平衡问题。系统性实验证明了我们的方法在缓解拓扑不平衡问题和促进半监督节点分类方面的有效性与泛化能力。进一步的分析揭示了不同图神经网络（GNNs）对拓扑不平衡的敏感性差异，这可作为评估 GNN 架构的一个新视角。
引用
@article{arxiv.2110.04099,
title = {Topology-Imbalance Learning for Semi-Supervised Node Classification},
author = {Deli Chen and Yankai Lin and Guangxiang Zhao and Xuancheng Ren and Peng Li and Jie Zhou and Xu Sun},
journal= {arXiv preprint arXiv:2110.04099},
year = {2021}
}
备注
Accepted By NeurIPS 2021