論文の概要: Enhancing Imbalanced Node Classification via Curriculum-Guided Feature Learning and Three-Stage Attention Network

• arxiv url: http://arxiv.org/abs/2602.03808v1
• Date: Tue, 03 Feb 2026 18:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.630687
• Title: Enhancing Imbalanced Node Classification via Curriculum-Guided Feature Learning and Three-Stage Attention Network
• Title（参考訳）: カリキュラム誘導型特徴学習と3段階注意ネットワークによる不均衡ノード分類の強化
• Authors: Abdul Joseph Fofanah, Lian Wen, David Chen, Shaoyang Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)における不均衡ノード分類は、モデルが不公平に学習し、あまり一般的でないクラスで性能を悪くする原因となる。 カリキュラム型特徴学習と3段階注意ネットワーク(CL3AN-GNN)を提案する。 社会的,生物学的,引用ネットワークにまたがる8つのOpen Graph Benchmarkデータセット上でCL3AN-GNNを評価した。
• 参考スコア（独自算出の注目度）: 5.709363708126687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced node classification in graph neural networks (GNNs) happens when some labels are much more common than others, which causes the model to learn unfairly and perform badly on the less common classes. To solve this problem, we propose a Curriculum-Guided Feature Learning and Three-Stage Attention Network (CL3AN-GNN), a learning network that uses a three-step attention system (Engage, Enact, Embed) similar to how humans learn. The model begins by engaging with structurally simpler features, defined as (1) local neighbourhood patterns (1-hop), (2) low-degree node attributes, and (3) class-separable node pairs identified via initial graph convolutional networks and graph attention networks (GCN and GAT) embeddings. This foundation enables stable early learning despite label skew. The Enact stage then addresses complicated aspects: (1) connections that require multiple steps, (2) edges that connect different types of nodes, and (3) nodes at the edges of minority classes by using adjustable attention weights. Finally, Embed consolidates these features via iterative message passing and curriculum-aligned loss weighting. We evaluate CL3AN-GNN on eight Open Graph Benchmark datasets spanning social, biological, and citation networks. Experiments show consistent improvements across all datasets in accuracy, F1-score, and AUC over recent state-of-the-art methods. The model's step-by-step method works well with different types of graph datasets, showing quicker results than training everything at once, better performance on new, imbalanced graphs, and clear explanations of each step using gradient stability and attention correlation learning curves. This work provides both a theoretically grounded framework for curriculum learning in GNNs and practical evidence of its effectiveness against imbalances, validated through metrics, convergence speeds, and generalisation tests.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)における不均衡ノード分類は、一部のラベルが他のラベルよりもはるかに一般的である場合に発生する。 この問題を解決するために,3段階の注意システム(Engage, Enact, Embed)を用いた学習ネットワークであるCL3AN-GNNを提案する。 モデルは、(1)局所的な近傍パターン(1-hop)、(2)低次ノード属性、(3)初期グラフ畳み込みネットワークおよびグラフ注意ネットワーク(GCNおよびGAT)埋め込みによって識別されるクラス分離可能なノードペアとして定義される構造的に単純な特徴に係わることから始まる。 この基盤はラベルスキューにもかかわらず安定した早期学習を可能にする。 1) 複数のステップを必要とする接続、(2)異なるタイプのノードを接続するエッジ、(3)調整可能な注意重みを使ってマイノリティクラスのエッジにあるノード。 最後に、Embedは、反復的なメッセージパッシングとカリキュラムに沿った損失重み付けを通じてこれらの機能を集約する。 社会的,生物学的,引用ネットワークにまたがる8つのOpen Graph Benchmarkデータセット上でCL3AN-GNNを評価した。 実験では、最近の最先端メソッドよりも正確性、F1スコア、AUCにおいて、すべてのデータセットで一貫した改善が示されている。 このモデルのステップバイステップ法は、異なるタイプのグラフデータセットでうまく機能し、すべてを一度にトレーニングするよりも早く結果を示し、新しい不均衡グラフの性能を改善し、勾配安定性と注意相関学習曲線を用いて各ステップの明確な説明を行う。 この研究は、GNNにおけるカリキュラム学習の理論的基盤となるフレームワークと、その不均衡に対する効果の実践的証拠の両方を提供し、メトリクス、収束速度、一般化テストを通じて検証する。

関連論文リスト

• Loss-aware Curriculum Learning for Heterogeneous Graph Neural Networks [30.333265803394998]
  異種グラフニューラルネットワーク(GNN)の性能向上のためのカリキュラム学習手法の適用について検討する。 データの品質をよりよく分類するために、データの全ノードの品質を測定するLTSと呼ばれる損失認識トレーニングスケジュールを設計する。 本研究は,複雑なグラフ構造データ解析のためのHGNNの能力向上のためのカリキュラム学習の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-02-29T05:44:41Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Certified Graph Unlearning [39.29148804411811]
  グラフ構造化データは実際にユビキタスであり、しばしばグラフニューラルネットワーク(GNN)を使用して処理される 我々は,GNNのemph認定グラフアンラーニングのための最初のフレームワークを紹介する。 ノード機能、エッジ、ノードアンラーニングの3つの異なるタイプのアンラーニング要求を検討する必要がある。
  論文  参考訳（メタデータ） (2022-06-18T07:41:10Z)
• 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)
• Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
  多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。 これをC&S(Correct and Smooth)と呼ぶ。 我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
  論文  参考訳（メタデータ） (2020-10-27T02:10:52Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• End-To-End Graph-based Deep Semi-Supervised Learning [7.151859287072378]
  グラフの品質は、グラフノード、エッジ、類似度測定(エッジウェイト)の3つの重要な要素によって共同で決定される エンドツーエンドの学習方式で3つの要素を同時に最適化する,グラフに基づく半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-02-23T12:32:08Z)

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。