ECGN: A Cluster-Aware Approach to Graph Neural Networks for Imbalanced Classification

要約

グラフ内のノードの分類は一般的な問題です。
理想的な分類器は、クラス分布の不均衡に適応する必要があります。
また、現実世界のグラフのクラスタリング構造の情報も使用する必要があります。
既存のグラフ ニューラル ネットワーク (GNN) は、両方の問題を同時に解決していません。
私たちは、クラスター固有のトレーニングと合成ノード生成を統合することでこれらの問題に対処する新しい方法である、拡張クラスター対応グラフ ネットワーク (ECGN) を提案します。
すべてのノードに同じノード更新プロセスを適用する従来の GNN とは異なり、ECGN は異なるクラスターに対して異なる集約を学習します。
また、クラス間の意思決定境界を明確にするために、クラスターを使用して新しい少数派クラスのノードを生成します。
ECGN は、クラスター対応のエンベディングをグローバル統合ステップと組み合わせることで、結果として得られるノード エンベディングの品質を向上させます。
私たちの方法は、基盤となるあらゆる GNN およびクラスター生成手法で機能します。
実験結果は、広く研究されているいくつかのベンチマーク データセットにおいて、ECGN が常に最も近い競合他社を最大 11% 上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Classifying nodes in a graph is a common problem. The ideal classifier must adapt to any imbalances in the class distribution. It must also use information in the clustering structure of real-world graphs. Existing Graph Neural Networks (GNNs) have not addressed both problems together. We propose the Enhanced Cluster-aware Graph Network (ECGN), a novel method that addresses these issues by integrating cluster-specific training with synthetic node generation. Unlike traditional GNNs that apply the same node update process for all nodes, ECGN learns different aggregations for different clusters. We also use the clusters to generate new minority-class nodes in a way that helps clarify the inter-class decision boundary. By combining cluster-aware embeddings with a global integration step, ECGN enhances the quality of the resulting node embeddings. Our method works with any underlying GNN and any cluster generation technique. Experimental results show that ECGN consistently outperforms its closest competitors by up to 11% on some widely studied benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google