ICML 2024 | 从拓扑视角出发，10行代码提升类别不平衡图节点分类

文章预览

基于图的消息传递会加剧类别不平衡对分类器的影响，这种现象称为 拓扑偏差 。少数类节点在邻域中噪声比例上升更快，有效信号减少更多，导致其更容易被误分类。为解决这一问题，本文提出了 轻量化的拓扑增强模块BAT ，包括节点风险估计、后验概率估计和拓扑增强三步。BAT通过虚拟边和超级节点缓解偏差，易于集成，适用于多种GNN架构和类别不平衡技术，进一步提升分类性能。 论文标题： Class-Imbalanced Graph Learning without Class Rebalancing  论文地址： https://arxiv.org/abs/2308.14181 代码地址： https://github.com/ZhiningLiu1998/BAT 一、太长不看版 Theoretical Insights：基于图拓扑结构的消息传递（message-passing）会加剧类别不平衡对分类器学习的影响，我们称之为 topology-sourced bias 。具体地，随着类别不平衡加剧，相比于多数类，少数类节点的邻域中噪声（即异类标 ………………………………