基于解耦自训练的不平衡节点分类

摘要

为了解决图神经网络(graph neural network,GNN)在不平衡数据集上对少数类样本分类精度低的问题，将解耦训练和自训练的思想相结合并引入GNN中，实现编码器和分类器的学习解耦。在分类器的学习阶段，加入自适应标签软化和渐进式平衡采样学习策略，使少数类节点在前期也能加入网络训练的同时缓解训练带来的过拟合问题。在编码器的学习阶段，通过自训练的思想，将分类器中较高置信度的少数类样本扩充到训练集中以提高少数类样本的多样性。同时，采用最坏情况估计的策略来反向学习更具区分性的节点表示。在11个数据集上的实验结果表明，该方法优于目前处理不平衡节点分类问题的方法，并与其他的编码器有很好的适配性。

关键词

图节点分类 / 类不平衡 / 图神经网络(graph neural network,GNN) / 过采样 / 解耦训练 / 自训练

基金资助

国家自然科学基金资助项目(62172023)