論文の概要: GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance

• arxiv url: http://arxiv.org/abs/2511.10022v1
• Date: Fri, 14 Nov 2025 01:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.64536
• Title: GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance
• Title（参考訳）: GraphSB: 構造バランスによるグラフ上の不均衡ノード分類の強化
• Authors: Chaofan Zhu, Xiaobing Rui, Zhixiao Wang,
• Abstract要約: 非平衡ノード分類はグラフ学習において重要な課題であり、既存のほとんどの手法はグラフニューラルネットワーク(GNN)を用いてノード表現を学習する。 ノード合成の前に基盤となる不均衡グラフ構造に対処するための鍵となる戦略として,構造バランスを組み込んだ新しいフレームワークであるGraphSBを提案する。
• 参考スコア（独自算出の注目度）: 2.367568291148072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced node classification is a critical challenge in graph learning, where most existing methods typically utilize Graph Neural Networks (GNNs) to learn node representations. These methods can be broadly categorized into the data-level and the algorithm-level. The former aims to synthesize minority-class nodes to mitigate quantity imbalance, while the latter tries to optimize the learning process to highlight minority classes. However, neither category addresses the inherently imbalanced graph structure, which is a fundamental factor that incurs majority-class dominance and minority-class assimilation in GNNs. Our theoretical analysis further supports this critical insight. Therefore, we propose GraphSB (Graph Structural Balance), a novel framework that incorporates Structural Balance as a key strategy to address the underlying imbalanced graph structure before node synthesis. Structural Balance performs a two-stage structure optimization: Structure Enhancement that adaptively builds similarity-based edges to strengthen connectivity of minority-class nodes, and Relation Diffusion that captures higher-order dependencies while amplifying signals from minority classes. Thus, GraphSB balances structural distribution before node synthesis, enabling more effective learning in GNNs. Extensive experiments demonstrate that GraphSB significantly outperforms the state-of-the-art methods. More importantly, the proposed Structural Balance can be seamlessly integrated into state-of-the-art methods as a simple plug-and-play module, increasing their accuracy by an average of 3.67\%.
• Abstract（参考訳）: 非平衡ノード分類はグラフ学習において重要な課題であり、既存のほとんどの手法はグラフニューラルネットワーク(GNN)を用いてノード表現を学習する。 これらの手法は、データレベルとアルゴリズムレベルに広く分類することができる。 前者は量不均衡を軽減するためにマイノリティクラスノードを合成することを目的としており、後者はマイノリティクラスを強調するために学習プロセスを最適化しようとする。 しかし、どちらのカテゴリーも本質的に不均衡なグラフ構造に対処せず、これはGNNにおける多数派支配と少数派同化を引き起こす基本的な要因である。 我々の理論的分析は、この批判的な洞察をさらに支持している。 そこで我々は,ノード合成の前に基盤となる不均衡グラフ構造に対処するための鍵となる戦略として,構造バランスを組み込んだ新しいフレームワークであるGraphSB(Graph Structure Balance)を提案する。 構造バランスは2段階の構造最適化を実行する: 類似性に基づくエッジを適応的に構築し、マイノリティクラスのノード間の接続を強化する構造強化と、マイノリティクラスのシグナルを増幅しながら高次の依存関係をキャプチャする関係拡散。 このように、GraphSBはノード合成の前に構造分布のバランスをとり、GNNでより効果的な学習を可能にする。 大規模な実験により、GraphSBは最先端の手法よりも大幅に優れていることが示された。 さらに重要なことに、提案された構造バランスは、単純なプラグアンドプレイモジュールとして最先端のメソッドにシームレスに統合することができ、平均3.67\%の精度を向上することができる。

関連論文リスト

• GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning [49.47096910857841]
  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。
  論文  参考訳（メタデータ） (2025-09-28T03:41:16Z)
• Unsupervised Graph Clustering with Deep Structural Entropy [25.38926876388394]
  DeSEは、Deep Structure Entropyを取り入れた、新しい教師なしグラフクラスタリングフレームワークである。 クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。 クラスタリング代入法は,拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。
  論文  参考訳（メタデータ） (2025-05-20T07:38:06Z)
• Overcoming Class Imbalance: Unified GNN Learning with Structural and Semantic Connectivity Representations [29.361821020752505]
  クラス不均衡は、注釈付きノードの大部分が小さなクラスに属している実世界のグラフデータセットで広く利用されている。 我々は、クラス不均衡ノード分類に取り組むために、新しい統一グラフニューラルネットワーク学習(Uni-GNN)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-30T02:20:40Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Synergistic Deep Graph Clustering Network [14.569867830074292]
  我々はSynC(Syngistic Deep Graph Clustering Network)というグラフクラスタリングフレームワークを提案する。 本稿では,構造拡張を導くための高品質な埋め込みを実現するために,TIGAE (Transform Input Graph Auto-Encoder) を設計する。 特に、表現学習と構造増強は重みを共有し、モデルパラメータの数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-06-22T09:40:34Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Semantic Graph Neural Network with Multi-measure Learning for Semi-supervised Classification [5.000404730573809]
  近年,グラフニューラルネットワーク(GNN)が注目されている。 近年の研究では、GNNはグラフの複雑な基盤構造に弱いことが示されている。 半教師付き分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T06:17:11Z)

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。