GraphUAT: An uncertainty-driven pseudo-labeling method for class-imbalanced node classification

Niu, Bingjie

doi:10.1016/j.eswa.2026.133450

GraphUAT: An uncertainty-driven pseudo-labeling method for class-imbalanced node classification

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133450

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）已在各种图分析任务中取得了显著成功。然而，在实际场景中，图通常表现出类别不平衡分布，其中少数类别占节点的大多数。这种分布导致模型偏向多数类别，并降低了模型对少数类别的判别能力。利用大量未标记样本重新平衡类别分布是一种有前景的解决方案。然而，现有的伪标签方法无法选择可靠的未标记少数节点，因为它们直接依赖于在非平衡数据上训练的GNNs。为解决此问题，我们提出了GraphUAT，一种面向类别不平衡图的基于不确定性的伪标签方法。它结合了不确定性估计与类别自适应阈值来选择可靠的伪标签少数样本。具体而言，我们首先通过联合评估特征和拓扑视角的不确定性来量化每个节点的先验误分类风险，从而提高伪标签的可靠性。此外，我们设计了一种类别自适应阈值策略，为每个类别动态分配独立的伪标签阈值，实现对少数类的偏置伪标签采样。在六个真实数据集上的广泛实验表明，我们的方法在类别不平衡节点分类任务上始终优于现有基线。我们的代码可在https://github.com/ZZY-GraphMiningLab/GraphUAT获取。

Keyword:

Class-imbalanced graph

Node classification

Adaptive threshold

Uncertainty

GraphUAT: An uncertainty-driven pseudo-labeling method for class-imbalanced node classification

摘要

期刊

机构

引用论文