論文の概要: GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning

• arxiv url: http://arxiv.org/abs/2509.23616v1
• Date: Sun, 28 Sep 2025 03:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.329436
• Title: GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning
• Title（参考訳）: GraphIFE:不変学習によるグラフ不均衡ノード分類の再考
• Authors: Fanlong Zeng, Wensheng Gan, Philip S. Yu,
• Abstract要約: ほとんどのグラフニューラルネットワークは、バランスの取れたクラス分布を暗黙的に仮定するが、これは偏りのある学習と少数クラスの性能低下につながる可能性がある。 合成ノードの品質不整合を緩和する新しいフレームワークであるGraphIFEを提案する。 提案手法は,グラフ不変学習の2つの重要な概念を取り入れ,埋め込み空間表現を強化する戦略を導入する。
• 参考スコア（独自算出の注目度）: 49.47096910857841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The class imbalance problem refers to the disproportionate distribution of samples across different classes within a dataset, where the minority classes are significantly underrepresented. This issue is also prevalent in graph-structured data. Most graph neural networks (GNNs) implicitly assume a balanced class distribution and therefore often fail to account for the challenges introduced by class imbalance, which can lead to biased learning and degraded performance on minority classes. We identify a quality inconsistency problem in synthesized nodes, which leads to suboptimal performance under graph imbalance conditions. To mitigate this issue, we propose GraphIFE (Graph Invariant Feature Extraction), a novel framework designed to mitigate quality inconsistency in synthesized nodes. Our approach incorporates two key concepts from graph invariant learning and introduces strategies to strengthen the embedding space representation, thereby enhancing the model's ability to identify invariant features. Extensive experiments demonstrate the framework's efficiency and robust generalization, as GraphIFE consistently outperforms various baselines across multiple datasets. The code is publicly available at https://github.com/flzeng1/GraphIFE.
• Abstract（参考訳）: クラス不均衡問題は、少数クラスが著しく不足しているデータセット内の異なるクラスにまたがるサンプルの不均等分布を指す。 この問題は、グラフ構造化データにも当てはまる。 ほとんどのグラフニューラルネットワーク(GNN)は、バランスの取れたクラス分布を暗黙的に仮定しているため、クラス不均衡によってもたらされる課題を考慮できないことが多い。 合成ノードの品質不整合問題を同定し、グラフ不均衡条件下での最適以下の性能を実現する。 この問題を緩和するために,合成ノードの品質不整合を緩和する新しいフレームワークであるGraphIFE(Graph Invariant Feature extract)を提案する。 提案手法では,グラフ不変学習の2つの重要な概念を取り入れ,埋め込み空間表現を強化する戦略を導入し,不変特徴を識別するモデルの能力を高める。 GraphIFEは複数のデータセットにまたがるさまざまなベースラインを一貫して上回っているため、大規模な実験ではフレームワークの効率性と堅牢な一般化が実証されている。 コードはhttps://github.com/flzeng1/GraphIFEで公開されている。

関連論文リスト

• Cluster-guided Contrastive Class-imbalanced Graph Classification [10.48026949398536]
  C$3$GNNを提案する。これはクラスタリングのアイデアをコントラスト学習に統合し、クラス不均衡グラフ分類を強化する。 C$3$GNNクラスタは、各マジョリティクラスから複数のサブクラスにグラフ化され、サイズはマイノリティクラスに匹敵する。 教師付きコントラスト学習は、階層的に効率的なグラフ表現を学習するために使用され、モデルが多数派のクラスにおける意味的部分構造を徹底的に探索することができる。
  論文  参考訳（メタデータ） (2024-12-17T15:04:54Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
  グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。 我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。 実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-12T21:19:47Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction [25.679620842010422]
  本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。 我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。 3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-21T14:12:16Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Dual ResGCN for Balanced Scene GraphGeneration [106.7828712878278]
  本稿では,オブジェクト残差グラフ畳み込みネットワークと関係残差グラフ畳み込みネットワークからなる新しいモデルであるtextitdual ResGCNを提案する。 2つのネットワークは相互に補完的であり、前者はオブジェクトレベルのコンテキスト情報、すなわちオブジェクト間の接続をキャプチャする。 後者は、関係レベルのコンテキスト情報、すなわち関係間の関係を明示的にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2020-11-09T07:44:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。