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

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

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

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

在这篇论文中，我们介绍了一种独特的方法，通过考虑图异质性来解决图中的不平衡分类问题。我们研究了类别不平衡和图异质性之间的错综复杂关系，发现少数类别不仅样本稀缺，而且表现出较低的同质性水平，这导致错误信息在相邻节点之间传播。基于这一洞察，我们提出了一种名为 Fast Im-GBK 的高效方法，将不平衡分类策略与意识到异质性的图神经网络相结合，以有效解决类别不平衡问题，并显著减少训练时间。我们在实际图数据上的实验证明了我们的模型在节点分类任务中相比现有基线方法具有更好的分类性能和效率。

Oct, 2023

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

本文提出了一种名为 ImGAGN 的生成对抗图网络模型，通过引入一种名为 GraphGenerator 的新型生成器解决不平衡网络上的节点分类问题，该生成器可以模拟少数类节点的属性分布和网络拓扑结构分布，进而使不同类别节点的数量得以平衡，通过在实际平衡的网络上训练 GCN 鉴别器，该方法在四个真实世界的不平衡网络数据集上表现出了超越最先进算法的半监督节点分类任务的效果。

Jun, 2021

本文提出了一种名为 GraphMixup 的基于混合的框架，旨在改善图网络中的节点不平衡分类任务，通过使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息，并提出了针对图数据的 Edge Mixup 具体方法以及一种自适应机制 Reinforcement Mixup。实验结果表明，GraphMixup 对于节点不平衡分类任务具有非常好的效果。

Jun, 2021

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

本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法 —— 图信息瓶颈，该方法通过优化平衡了图形网络结构和节点特征的表达方式的表达性和鲁棒性，设计了两种采样算法进行结构方面的正则化，并使用两个新模型：GIB-Cat 和 GIB-Bern 来实现 GIB 原则，证明了其比最先进的图形防御模型更具有鲁棒性。

Oct, 2020