論文の概要: PIMPC-GNN: Physics-Informed Multi-Phase Consensus Learning for Enhancing Imbalanced Node Classification in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2602.01920v1
• Date: Mon, 02 Feb 2026 10:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.075671
• Title: PIMPC-GNN: Physics-Informed Multi-Phase Consensus Learning for Enhancing Imbalanced Node Classification in Graph Neural Networks
• Title（参考訳）: PIMPC-GNN:グラフニューラルネットワークにおける不均衡ノード分類の強化のための物理インフォームドマルチパス合意学習
• Authors: Abdul Joseph Fofanah, Lian Wen, David Chen,
• Abstract要約: PIMPC-GNNは、不均衡ノード分類のための物理インフォームドコンセンサスフレームワークである。 本手法は, (i) 熱力学的拡散, (ii) 倉本同期, (iii) スペクトル埋め込みの3つの相補的ダイナミクスを統合する。 5つのベンチマークデータセットと5-100の不均衡比率で、PIMPC-GNNは16の最先端ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 4.516559054098262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) often struggle in class-imbalanced settings, where minority classes are under-represented and predictions are biased toward majorities. We propose \textbf{PIMPC-GNN}, a physics-informed multi-phase consensus framework for imbalanced node classification. Our method integrates three complementary dynamics: (i) thermodynamic diffusion, which spreads minority labels to capture long-range dependencies, (ii) Kuramoto synchronisation, which aligns minority nodes through oscillatory consensus, and (iii) spectral embedding, which separates classes via structural regularisation. These perspectives are combined through class-adaptive ensemble weighting and trained with an imbalance-aware loss that couples balanced cross-entropy with physics-based constraints. Across five benchmark datasets and imbalance ratios from 5-100, PIMPC-GNN outperforms 16 state-of-the-art baselines, achieving notable gains in minority-class recall (up to +12.7\%) and balanced accuracy (up to +8.3\%). Beyond empirical improvements, the framework also provides interpretable insights into consensus dynamics in graph learning. The code is available at \texttt{https://github.com/afofanah/PIMPC-GNN}.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、少数派クラスが不足し、予測が多数派に偏っているような、クラス不均衡な設定でしばしば苦労する。 不均衡ノード分類のための物理インフォームド多相コンセンサスフレームワークである \textbf{PIMPC-GNN} を提案する。 我々の手法は3つの相補的力学を統合している。 (i) 長距離依存を捉えるために少数ラベルを拡散する熱力学的拡散。 二 振動コンセンサスを介して少数ノードを整列する内蔵元同期 (iii) スペクトル埋め込みは、構造正則化によってクラスを分離する。 これらの視点は、クラス適応アンサンブル重み付け(class-adaptive ensemble weighting)を通じて組み合わせられ、不均衡を意識した損失で訓練される。 5-100のベンチマークデータセットと不均衡比でPIMPC-GNNは16の最先端のベースラインを上回り、少数派のリコール(+12.7\%まで)とバランスの取れた精度(+8.3\%まで)で顕著な利益を上げている。 経験的な改善に加えて、このフレームワークはグラフ学習におけるコンセンサスダイナミクスに関する解釈可能な洞察も提供する。 コードは \texttt{https://github.com/afofanah/PIMPC-GNN} で公開されている。

関連論文リスト

• GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance [2.367568291148072]
  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。
  論文  参考訳（メタデータ） (2025-11-13T06:58:45Z)
• 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)
• Quantum-Informed Contrastive Learning with Dynamic Mixup Augmentation for Class-Imbalanced Expert Systems [0.0]
  QCL-MixNetは、不均衡下でのロバストな分類のための動的混合のための新しいフレームワークである。 QCL-MixNetは、20の最先端の機械学習、ディープラーニング、GNNベースのベースラインをマクロF1とリコールで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-06-16T20:44:30Z)
• 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)
• Rethinking Semi-Supervised Imbalanced Node Classification from Bias-Variance Decomposition [17.742433178056903]
  本稿では,グラフ構造データ学習のためのグラフニューラルネットワーク(GNN)におけるクラス不均衡問題に対する新しいアプローチを提案する。 提案手法は,不均衡ノード分類とバイアス分散分解を統合し,モデル分散にデータ不均衡を密接に関連付ける理論的枠組みを確立する。
  論文  参考訳（メタデータ） (2023-10-28T17:28:07Z)
• Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
  クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。 本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。 我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
  論文  参考訳（メタデータ） (2023-08-27T19:01:29Z)
• A Neural Collapse Perspective on Feature Evolution in Graph Neural Networks [44.31777384413466]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの分類タスクでますます人気が高まっている。 本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。 我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
  論文  参考訳（メタデータ） (2023-07-04T23:03:21Z)
• Semantic-aware Node Synthesis for Imbalanced Heterogeneous Information Networks [51.55932524129814]
  意味認識ノード合成(SNS)と呼ばれる不均衡HINにおける意味的不均衡問題の最初の方法を提案する。 SNSは、異種隣接ノードを適応的に選択し、マイノリティのセマンティクスを維持しながら、合成ノードでネットワークを増強する。 また,HGNNに対してセマンティックおよびクラスの観点から合成ノードの表現を制約する2つの正規化手法を導入する。
  論文  参考訳（メタデータ） (2023-02-27T00:21:43Z)
• 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)

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。