基于少数类加权和异常连通性的不平衡节点分类

摘要

基于GNN的机器人检测方法在处理类不平衡问题时，忽略了少数类节点的重要性，同时未考虑图结构特有的链接性问题，使得节点分类效果不理想。针对现有方案的不足，提出了一种基于少数类加权和异常连通性裕度损失的类不平衡节点分类算法，将传统机器学习领域的不平衡分类思想扩展到图结构数据，在GraphSMOTE的基础上进行少数类加权聚合处理，以增强少数节点的特征聚合；在过采样阶段，利用SMOTE算法对不平衡数据进行处理，并考虑了节点表示和拓扑结构。同时，训练一个边缘生成器来建模关系信息，并引入异常连通性裕度损失，以提高GNN对链接异常性的感知，增强模型对连通性信息的学习。最后在公开的微博、Twitter虚假账户和BlogCatalog数据集上进行实验，与SMOTE、Re-weight、GraphSMOTE、DR-GCN和mGNN这5种方法的对比结果表明：所提算法平均ACC达到84.3%;在Kaggle数据集上，所提算法比mGNN模型准确度提升1.3%。

关键词

机器人账户 / 类不平衡 / 图结构 / 少数类加权 / 连通性