.png){kind=icon}
返回
GraphBSSN: A simple yet effective generative method for node classification in class-imbalanced graphs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114175.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）在节点分类任务中显示出显著的应用前景。然而，在实际场景中，样本在各类别间的分布往往不平衡。当GNNs在如此不平衡的图上进行训练时，它们通常无法充分表示少数类，导致性能严重下降。为解决此问题，一种潜在的解决方案是为少数类生成补充样本以平衡图。然而，现有的生成方法复杂且倾向于压缩少数类的子空间。此外，合成样本的拓扑结构偏离了真实的邻居分布。为应对此挑战，我们提出了一种简单而有效的生成框架GraphBSSN，通过合成边界样本和采样相似节点。具体而言，我们设计了一种边界感知的特征合成策略来扩展少数类的决策边界。此外，我们设计了一种基于相似节点的拓扑建模方法，将合成样本置于合理的邻居分布中。我们在八个类别不平衡的数据集上的实验结果证明了所提出方法的有效性。数据集和代码可在GitHub上获取，地址为https://github.com/ZZY-GraphMiningLab/GraphBSSN。
Keyword:
Graph Neural Networks
Node Classification
Class Imbalance
Sample Generation
Boundary-aware Synthesis
Similar Node Sampling
