元图卷积网络：处理图神经网络中的数据不平衡的动态加权损失最小化方法

Jun, 2024

元图卷积网络：处理图神经网络中的数据不平衡的动态加权损失最小化方法

Meta-GCN: A Dynamically Weighted Loss Minimization Method for Dealing with the Data Imbalance in Graph Neural Networks

Mahdi Mohammadizadeh, Arash Mozhdehi, Yani Ioannou, Xin Wang

TL;DR本论文提出了一种名为 Meta-GCN 的元学习算法，通过同时最小化无偏元数据集损失和优化模型权重来自适应地学习样本权重，实验证明 Meta-GCN 在两个不同数据集上的分类任务中在准确性、接收器操作特性下的曲线下面积（AUC-ROC 曲线）和宏 F1 分数等方面优于现有最先进框架和其他基线模型。

Abstract

Although many real-world applications, such as disease prediction, and fault detection suffer from class imbalance, most existing graph-based classification methods ignore the →

class imbalance graph-based classification skewness meta-learning algorithm meta-gcn

发现论文，激发创造

噪声图像的鲁棒图聚类通过元加权

我们提出了元学习图聚类方法 MetaGC，借助可分解的聚类损失函数以及元权重调整机制，能够对存在噪声边的图进行鲁棒的聚类，相较于现有的基于图神经网络的方法在各种噪声程度下的实验中，MetaGC 表现出更好的性能。

Nov, 2023

RA-GCN: 用于不平衡数据疾病预测问题的图卷积网络

本文提出了一种用于防止基于图的分类器强调任何特定类别样本的重加权对抗图卷积神经网络（RA-GCN）以解决医学数据集中的类别不平衡问题，并在合成和实际数据集上的实验证明了其优越性。

Feb, 2021

N-GCN：用于半监督节点分类的多尺度图卷积

该研究提出了一种名为 N-GCN 的模型，将图卷积网络和随机游走中的信息融合，训练多个 GCNs 实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

Feb, 2018

基于自适应 GCN 种群进化的自动图学习

本文介绍了通过自动超参数优化实现对图卷积网络模型的训练，提出了自调节 GCN 算法和基于种群的训练算法，并在三个基准数据集上展示了优于其他代表性基线方法的优越性。

Jul, 2021

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

学习为鲁棒的深度学习调整例子的权重

该研究提出了一种基于元学习和梯度下降的新算法，来对训练样本进行权重分配，从而达到解决深度神经网络在训练集偏差和标签噪声方面的过度拟合问题，而不需要额外的超参数调整，并在少量有干净核准数据的情况下，实现了在类别不平衡和标签污染问题上的出色性能。

Mar, 2018

置信度可能欺骗：在分布偏移情况下对图神经网络进行自我训练

该论文提出了一种新的自我训练方法 (DR-GST)，通过 dropout 变分推理和 dropedge 变分推理来恢复标注数据集的分布，并利用 loss 校正方法来提高伪标签的质量，在五个基准数据集上都取得了良好的效果。

Jan, 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

元权重图神经网络：将极限推向超越全局同质化

本文介绍了一个名为 Meta Weight Graph Neural Network 的模型，该模型可以自适应地构建不同节点的图卷积层来提高图神经网络的表达能力，其通过使用元权重模型来生成自适应图卷积来提高节点表示，并在真实和合成基准测试中进行了广泛的实验证明了其在处理具有不同分布的图数据方面具有出色的表现。

Mar, 2022

ImGAGN: 基于生成对抗图网络的不平衡网络嵌入

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