論文の概要: NodeImport: Imbalanced Node Classification with Node Importance Assessment

• arxiv url: http://arxiv.org/abs/2607.13837v1
• Date: Wed, 15 Jul 2026 13:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.788325
• Title: NodeImport: Imbalanced Node Classification with Node Importance Assessment
• Title（参考訳）: NodeImport: ノードの重要度評価と不均衡なノード分類
• Authors: Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Jun Hu, Jia Chen,
• Abstract要約: 本稿では,重要度測定のためのバランスの取れたメタセットを用いて,クラス不均衡ノード分類手法を提案する。 我々は,ラベル付き,ラベルなし,合成ノードをフィルタし,バイアスのないコンテキストでモデル性能を向上させる新しいフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 84.58953125664573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world applications, node classification on graphs often faces the challenge of class imbalance, where majority classes dominate training, resulting in biased model performance. Traditional GNNs often struggle in such scenarios, as they tend to overfit to majority classes while underrepresenting minority classes. Existing solutions, which either prioritize nodes based on class size or synthesize new nodes for minority classes, often fall short of effectively addressing this imbalance issue. This paper introduces an approach to class-imbalanced node classification by utilizing a balanced meta-set for importance measurement, where a training node is considered significant if it enhances model performance under an unbiased setting. Our method identifies important nodes that can counteract class imbalance and utilizes them for model training, allowing for fine-grained and dynamic node selection throughout the training process. We theoretically derive a formula to directly assess node importance, reducing computational overhead and providing an intuitive threshold for node selection. Guided by this metric, we develop a novel framework that filters valuable labeled, unlabeled, and synthetic nodes that enhance model performance in an unbiased context. A key advantage of this framework is its separation of the synthetic node generation process from the filtering process, ensuring compatibility with various node generation methods. Furthermore, we introduce a strategy to construct a high-quality meta-set that closely approximates the overall feature distribution, ensuring robust representation of each class. We evaluate our framework, NodeImport, across multiple datasets using popular GNN architectures, demonstrating its superiority over existing baselines. Our results highlight the flexibility and effectiveness of the framework in mitigating class imbalance, leading to improved outcomes.
• Abstract（参考訳）: 実世界のアプリケーションでは、グラフ上のノード分類は、大多数のクラスがトレーニングを支配し、バイアスのあるモデル性能をもたらすクラス不均衡の課題に直面していることが多い。 伝統的なGNNは、少数派クラスを過小評価しながら、多数派クラスに過度に適合する傾向があるため、このようなシナリオでしばしば苦労する。 既存のソリューションは、クラスサイズに基づいてノードを優先順位付けするか、マイノリティクラスのために新しいノードを合成する。 本稿では,バランスの取れたメタセットを重要度測定に利用することにより,クラス不均衡ノード分類へのアプローチを提案する。 本手法は,クラス不均衡に対処可能な重要なノードを同定し,モデルトレーニングに利用することにより,学習プロセス全体を通して細粒度および動的ノード選択を可能にする。 理論的には、ノードの重要度を直接評価し、計算オーバーヘッドを減らし、ノードの選択に直感的な閾値を与える公式を導出する。 このメトリクスで導かれた新しいフレームワークは、ラベル付き、ラベルなし、合成された貴重なノードをフィルタリングし、バイアスのないコンテキストでモデル性能を向上させる。 このフレームワークの重要な利点は、合成ノード生成プロセスをフィルタリングプロセスから分離し、様々なノード生成方法との互換性を確保することである。 さらに,機能分布全体を近似し,各クラスの堅牢な表現を保証する高品質なメタセットを構築するための戦略を導入する。 我々は、人気のあるGNNアーキテクチャを使用して、複数のデータセットにわたるフレームワークNodeImportを評価し、既存のベースラインよりも優れていることを示す。 この結果は,クラス不均衡を緩和する上でのフレームワークの柔軟性と有効性を強調し,結果の改善につながった。

関連論文リスト

• Class-Balanced and Reinforced Active Learning on Graphs [13.239043161351482]
  グラフニューラルネットワーク(GNN)は、ノード分類、リンク予測、グラフ分類など、さまざまなアプリケーションで大きな成功を収めている。 GNNのアクティブラーニングは、ラベルのないデータから貴重なサンプルを照会して、GNNのパフォーマンスを低コストで最大化することを目的としている。 GNNにおける強化能動学習のための既存のアルゴリズムは、特に高度に歪んだクラスシナリオにおいて、高度に不均衡なクラス分布をもたらす可能性がある。 我々は、GNNのための新しいクラスバランスと強化されたアクティブラーニングフレームワーク、すなわちGCBRを提案し、クラスバランスと情報ノードを取得するための最適なポリシーを学習する。
  論文  参考訳（メタデータ） (2024-02-15T16:37:14Z)
• Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
  現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。 孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T19:55:56Z)
• 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)
• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• 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)
• GraphSR: A Data Augmentation Algorithm for Imbalanced Node Classification [10.03027886793368]
  グラフニューラルネットワーク(GNN)はノード分類タスクにおいて大きな成功を収めている。 既存のGNNは、多くのラベル付きデータを持つ多数派クラスに自然に偏り、比較的少ないラベル付きデータを持つ少数派クラスを無視している。 我々は,未学習ノードを多種多様に拡張する,新しい自己学習戦略である textitGraphSR を提案する。
  論文  参考訳（メタデータ） (2023-02-24T18:49:10Z)
• Task-Adaptive Few-shot Node Classification [49.79924004684395]
  数ショットの学習環境下でのタスク適応型ノード分類フレームワークを提案する。 具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。 次に、提案したタスク適応モジュールを介して、ラベル付きノードが限定されたクラスにそのような知識を転送する。
  論文  参考訳（メタデータ） (2022-06-23T20:48:27Z)
• Synthetic Over-sampling for Imbalanced Node Classification with Graph Neural Networks [34.81248024048974]
  グラフニューラルネットワーク(GNN)はノード分類の最先端性能を実現している。 多くの実世界のシナリオでは、ノードクラスは不均衡であり、グラフのほとんどの部分を構成する多数派クラスもある。 本研究では、マイノリティクラスの擬似インスタンスを生成し、トレーニングデータのバランスをとることで、この問題に対処する。
  論文  参考訳（メタデータ） (2022-06-10T19:47:05Z)

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。