Rethinking Semi-Supervised Imbalanced Node Classification from Bias-Variance Decomposition

要約

この論文では、グラフ構造データを学習するためのグラフ ニューラル ネットワーク (GNN) におけるクラスの不均衡の問題に対処するための新しいアプローチを紹介します。
私たちのアプローチは、不均衡ノードの分類とバイアス分散分解を統合し、データの不均衡をモデルの分散に密接に関連付ける理論的フレームワークを確立します。
また、グラフ拡張技術を活用して分散を推定し、不均衡の影響を軽減するために正則化項を設計します。
自然に不均衡なデータセットやパブリック分割クラスの不均衡なデータセットを含む複数のベンチマークに対して徹底的なテストが実施され、さまざまな不均衡なシナリオにおいて当社のアプローチが最先端の手法よりも優れていることが実証されています。
この研究は、GNN における不均衡なノード分類の問題に対処するための新しい理論的観点を提供します。

要約(オリジナル)

This paper introduces a new approach to address the issue of class imbalance in graph neural networks (GNNs) for learning on graph-structured data. Our approach integrates imbalanced node classification and Bias-Variance Decomposition, establishing a theoretical framework that closely relates data imbalance to model variance. We also leverage graph augmentation technique to estimate the variance, and design a regularization term to alleviate the impact of imbalance. Exhaustive tests are conducted on multiple benchmarks, including naturally imbalanced datasets and public-split class-imbalanced datasets, demonstrating that our approach outperforms state-of-the-art methods in various imbalanced scenarios. This work provides a novel theoretical perspective for addressing the problem of imbalanced node classification in GNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google