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

©PaperWeekly 原创 · 作者 |  刘芷宁 单位 |  伊利诺伊大学香槟分校 研究方向 |  可信机器学习 本文简短介绍一下我们最近被 ICML 2024 接受的工作， 欢迎讨论/试用/star : ) 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 TL;DR/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（即异类标记节点，见 Theorem 2.1）比例会更快增加，并且有效训练信号（即己类标记节点，见 Theorem 2.2）比例会更快减少。 换言之，在 GNN 的消息传递过程中，少数类节点具有更低的信噪比，因此更容易被误分类。   Practical Algorithm ………………………………