VIGraph：面向类不平衡节点分类的生成式自监督学习
机器学习
2024-03-28 v2 人工智能
摘要
图数据中的类不平衡给节点分类带来显著挑战。尽管SMOTE类现有方法部分缓解了此问题，它们在构建不平衡图时仍表现出局限性。以图自编码器（GAEs）为代表的生成式自监督学习（SSL）方法通过直接从数据本身生成少数类节点提供了有前景的解决方案，但其潜力仍待充分探索。本文中，我们深入剖析基于SMOTE的方法在构建不平衡图中的不足。此外，我们引入VIGraph，一种简单而有效的生成式SSL方法，以变分GAE为基础模型。VIGraph在构建不平衡图时严格遵循不平衡概念，并创新性地利用变分GAE的变分推断（VI）能力为少数类生成节点。VIGraph引入了全面的训练策略，包括解码阶段的跨视图对比学习以捕获语义知识、邻接矩阵重建以保留图结构，以及对齐策略以确保稳定训练。VIGraph能生成可直接用于分类的高质量节点，无需像基于SMOTE的方法那样将生成节点重新整合回图并进行额外重训练。我们进行了大量实验，结果证明了我们方法的优越性与通用性。
引用
@article{arxiv.2311.01191,
title = {VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification},
author = {Yulan Hu and Sheng Ouyang and Zhirui Yang and Yong Liu},
journal= {arXiv preprint arXiv:2311.01191},
year = {2024}
}