GraphST: Class-imbalanced node classification with semantic relation transfer

doi:10.1016/j.patcog.2025.112626

GraphST: Class-imbalanced node classification with semantic relation transfer

2025-10-22

0

PRE

AI

DOI：10.1016/j.patcog.2025.112626

原文链接

原文求助

摘要

En 中文

图神经网络中的节点分类任务常常受到类别不平衡问题的影响，这会导致模型偏向于多数类。为了缓解这一问题，近期的方法主要关注于生成正向激励噪声以增强少数类的表示，例如合成新的少数类节点或生成伪标签数据。然而，这些方法未能捕捉类之间的关系，而这类关系可以为少数类增强提供额外的知识。近期研究表明，语义信息在类关系学习中表现出强大的能力，这激励我们利用其解决类别不平衡的节点分类问题。本文提出了一种名为GraphST的类别不平衡节点分类方法，通过利用语义信息将多数类与少数类之间的类关系进行迁移，并引导节点表示学习。具体而言，GraphST包含两个阶段：(1)用于可迁移知识学习的语义信息生成与适应策略；(2)节点语义对齐模块，用于增强语义信息的正向性，以促进节点分类任务。广泛的实验表明，与九种基线方法相比，GraphST在三个经典数据集上表现最佳。

GraphST: Class-imbalanced node classification with semantic relation transfer

摘要

期刊

机构