Cluster-guided Contrastive Class-imbalanced Graph Classification

要約

この論文では、クラスの不均衡なグラフ分類の問題について研究します。この問題は、クラス分布の不均衡があるシナリオでグラフのカテゴリを効果的に分類することを目的としています。
グラフ ニューラル ネットワーク (GNN) は多大な成功を収めているにもかかわらず、不均衡なグラフ構造データのモデリング能力が不十分であり、一般に多数派のクラスに偏った予測につながります。
さらに、ビジョンにおける既存のクラス不均衡学習方法は、多数派クラスの豊富なグラフ意味論的下部構造を見落とし、少数派クラスからの学習を過度に強調する可能性があります。
この問題に取り組むために、この論文では C$^3$GNN と呼ばれるシンプルかつ強力なアプローチを提案します。これは、クラス不均衡なグラフ分類を強化するために、対比学習にクラスタリングの考え方を組み込んでいます。
技術的には、C$^3$GNN は各多数派クラスのグラフを複数のサブクラスにクラスター化し、少数派クラスと同様のサイズになるようにすることで、クラスの不均衡を緩和します。
さらに、Mixup 手法を利用して新しいサンプルを合成し、各サブクラスの意味情報を強化し、教師あり対比学習を活用して効果的なグラフ表現を階層的に学習します。
このようにして、多数派クラス内の意味論的な下部構造を十分に探索できるだけでなく、少数派クラスへの過度の焦点を効果的に軽減することもできます。
現実世界のグラフ ベンチマーク データセットでの広範な実験により、提案された手法の優れたパフォーマンスが検証されました。

要約(オリジナル)

This paper studies the problem of class-imbalanced graph classification, which aims at effectively classifying the categories of graphs in scenarios with imbalanced class distribution. Despite the tremendous success of graph neural networks (GNNs), their modeling ability for imbalanced graph-structured data is inadequate, which typically leads to predictions biased towards the majority classes. Besides, existing class-imbalanced learning methods in visions may overlook the rich graph semantic substructures of the majority classes and excessively emphasize learning from the minority classes. To tackle this issue, this paper proposes a simple yet powerful approach called C$^3$GNN that incorporates the idea of clustering into contrastive learning to enhance class-imbalanced graph classification. Technically, C$^3$GNN clusters graphs from each majority class into multiple subclasses, ensuring they have similar sizes to the minority class, thus alleviating class imbalance. Additionally, it utilizes the Mixup technique to synthesize new samples and enrich the semantic information of each subclass, and leverages supervised contrastive learning to hierarchically learn effective graph representations. In this way, we can not only sufficiently explore the semantic substructures within the majority class but also effectively alleviate excessive focus on the minority class. Extensive experiments on real-world graph benchmark datasets verify the superior performance of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google