类别不平衡节点分类的拓扑增强

Aug, 2023

Topological Augmentation for Class-Imbalanced Node Classification

Zhining Liu, Zhichen Zeng, Ruizhong Qiu, Hyunsik Yoo, David Zhou...

TL;DR该研究针对真实世界的节点分类任务中普遍存在的类别不平衡问题，从节点中心和拓扑结构的角度出发，通过拓扑增强方法解决了类别不平衡的问题，并在促进不平衡节点分类和缓解不同类别之间的预测偏差方面验证了其卓越性能。

Abstract

class imbalance is prevalent in real-world node classification tasks and often biases graph learning models toward majority classes. Most existing studies root from a node-centric perspective and aim to address t

class imbalance node-centric perspective graph topology topological augmentation imbalance-handling techniques

发现论文，激发创造

基于不均衡拓扑的半监督节点分类学习

本论文主要探讨了在学习节点表示过程中，类不平衡问题是如何影响图像的，同时提出了一种识别和解决图拓扑不平衡问题的新方法，并在系统实验中证明了该方法在缓解拓扑不平衡问题和促进半监督节点分类中的有效性和通用性，同时揭示了不同 GNN 架构对拓扑不平衡的敏感性。

Oct, 2021

TAM：面向类别不平衡节点分类的拓扑感知间隔损失

该研究针对存在标签不平衡的图数据，提出了一种新型节点表示学习方法，通过结合局部拓扑信息设计目标函数，实现了对于节点的快速、精准分类。

Jun, 2022

图上的边分类：拓扑不平衡的新方向

图机器学习在节点 / 图分类和链接预测方面取得了显著成功，但是边缘分类任务，如社交网络分析和网络安全等应用，却没有得到明显的进展。为了解决这一问题，本研究首次提出了一种全面的边缘分类方法，并确定了一个新的 “拓扑不平衡问题”，该问题源于边缘在不同类别之间的分布不均，影响每个边缘的局部子图，从而影响了边缘分类的性能。通过引入拓扑熵（TE），一种衡量每个边缘拓扑不平衡的新型基于拓扑的度量标准，我们的实证研究证实了 TE 有效地衡量了局部类别分布的差异，并表明优先处理拓扑熵较高的边缘可以帮助解决拓扑不平衡问题。基于此，我们开发了两种策略 - 拓扑重新加权和基于 TE 的拓扑混合，以便根据 TE 集中训练（合成）边缘。虽然拓扑重新加权直接根据 TE 操纵训练的边缘权重，但我们基于拓扑的混合通过在高 TE 楔块之间插入合成边缘进行插值。最终，我们将这些策略集成到一种新的边缘分类方法 “TopoEdge” 中，以解决拓扑不平衡问题。通过大量的实验证明了我们提出的策略在新的数据集上的有效性，并为（不平衡的）边缘分类建立了一个新的基准。

Jun, 2024

层级不平衡节点分类的双曲几何图嵌入学习

在图中学习不偏倚的节点表示已成为一个更为重要的研究领域，本文提出一种新型的超伽马几何不平衡层次学习框架自动实现节点分类任务的评估。

Apr, 2023

通过缓解低伸展和过度压缩来缓解图拓扑不平衡的位置感知结构学习

本文提出了一种新的全局视角的监督信息分布量度 --- 欠拟合和过拟合，并以此为基础提出了 PASTEL 框架。此框架通过加强同一类别节点间的连接以增加监督信息，解决了局部拓扑位置不平衡的问题，能够在不同的数据标注场景下提升 GNNs 的性能。

Aug, 2022

结构失衡感知图增强学习

本研究提出选择性图增强方法（SAug）来解决现实中常见的结构不平衡问题，通过基于 Pagerank 的采样策略来识别中心节点和边缘节点，并提出了一种选择性增强策略来改善节点之间的结构不平衡，最终通过重新训练 GNN 模型实现在骨干 GNN 上的显著改进。

Mar, 2023

从偏差 - 方差分解重新思考半监督非平衡节点分类

本文提出了一种新方法来解决图神经网络（GNNs）中的类别不平衡问题，通过整合不平衡节点分类和偏差 - 方差分解的理论框架，利用图增强技术估计方差，并设计了正则化项来减轻不平衡的影响，通过在多个基准测试中广泛测试，包括自然不平衡数据集和公共分割类别不平衡数据集，证明了我们的方法在各种不平衡场景中优于现有方法。这项工作为解决图神经网络中的不平衡节点分类问题提供了一种新的理论视角。

Oct, 2023

超越同质假设的不平衡节点分类

本研究提出了 GraphSANN 模型，用于实现在同构和异构图中的不平衡节点分类。该模型包含统一的特征混合器、自适应的子图提取器和多过滤器子图编码器三个部分，并在八个数据集上进行了广泛实验，结果表明该模型在同构和异构图的不平衡节点分类上具有优越性。

Apr, 2023

基于拓扑感知的图分布偏移动态重新加权

采用拓扑感知动态重新加权（TAR）框架，通过在几何 Wasserstein 空间中的梯度流动态调整样本权重，以提供分布鲁棒性，从而增强图数据的域外泛化性能。

Jun, 2024

GraphSHA: 合成更难的样本以进行类不平衡节点分类

研究了现实世界图形场景中某些类别实例比其他类别实例少的数据不平衡问题，发现传统的图神经网络会低估少数类样本的子空间，提出了一种名为 GraphSHA 的总体框架，该框架通过合成更难的小样本来扩大少数类决策边界，并针对不同图神经网络骨干编码器在七个公共基准数据集上进行节点分类实验，取得了优于其他基线方法的效果。

Jun, 2023