从偏差 - 方差分解重新思考半监督非平衡节点分类

Oct, 2023

从偏差 - 方差分解重新思考半监督非平衡节点分类

Rethinking Semi-Supervised Imbalanced Node Classification from Bias-Variance Decomposition

Divin Yan, Gengchen Wei, Chen Yang, Shengzhong Zhang, Zengfeng Huang

TL;DR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。

Abstract

This paper introduces a new approach to address the issue of class imbalance in graph neural networks (GNNs) for learning on graph-structured data. Our approach integrates →

class imbalance graph neural networks imbalanced node classification bias-variance decomposition graph augmentation technique

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

基于子图采样的异构图节点嵌入的 GAN 方法

我们提出了一个新方法来解决异构图中的类不平衡问题，该方法结合了生成对抗网络（GANs）和图神经网络（GNNs）的优点，通过创建合成节点和边来有效地平衡数据集。该方法直接针对数据级别的不平衡问题，并解决了数据生成过程中忽略图结构以及在下游任务中使用基于 GNN 的分类器时创建可用的合成结构的问题。同时处理节点和边的信息，通过节点增强和子图采样改善边的平衡。另外，我们的框架还整合了一个阈值策略，在训练过程中帮助确定最佳的边界阈值，避免了耗时的参数调整。在 Amazon 和 Yelp 评论数据集上的实验验证了我们提出的框架的有效性，特别是在少数节点识别方面，它在关键性能指标上始终优于基线模型，展示了其在该领域的潜力。

Dec, 2023

混合多样专家的图分类

本文提出了一种名为 GraphDIVE 的基于节点嵌入的图分类不均衡问题的解决方案，使用多样的专家（即图分类器）进行图分类，通过分阶段训练实现对不均衡样本的有效分类。

Mar, 2021

基于课程学习的图神经网络用于不平衡节点分类

本文提出了一种基于课程学习的图神经网络框架（GNN-CL），包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失，通过动态调整这两个模块的权重实现更好的泛化和判别能力。该框架在多个广泛使用的图数据集上进行评估，结果表明我们的模型始终优于现有最先进的方法。

Feb, 2022

ImGCL：针对不平衡节点分类的图对比学习重新审视

本文提出了一种基于进步性平衡抽样（PBS）的图对比学习框架（ImGCL），该框架可以平衡无标签图数据的节点表示，并且在多个不平衡图数据集和不平衡设置上证明了其有效性。

May, 2022

使用图神经网络的不平衡节点分类方法 (GraphSMOTE)

开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

Mar, 2021

半监督图不平衡回归

本研究提出一种半监督自训练框架以解决图形回归任务中标签值稀疏的问题，并通过伪标签和图例增强等方法来平衡训练数据，从而显著减少预测图形属性的误差。

May, 2023

理解双重下降需要进行精细的偏差 - 方差分解

通过对方差进行可解释的对称分解，探讨了深度学习算法的偏差与方差之间的关系，发现随着网络宽度的增加，偏差单调下降，但方差存在非单调行为，并可以通过集成学习消除互作用导致的方差发散。

Nov, 2020

类别不平衡节点分类的拓扑增强

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。

Aug, 2023

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