BuffGraph: 通过缓冲节点增强类别不平衡的节点分类
内容提要
该文综述了图神经网络处理类别不平衡节点分类的研究，涵盖GraphSMOTE、GNN-CL、GraphSHA、Fast Im-GBK、ImGCL、ImGAGN、GraphMixup及基于偏差-方差分解和图信息瓶颈的方法，利用过采样、课程学习、拓扑增强、对比学习、生成对抗和混合等技术提升少数类分类性能与鲁棒性。
延伸解读
方法演进：从数据增强到理论建模
文章梳理了多种解决图节点分类类别不平衡的方法，早期如GraphSMOTE通过合成少数类节点并保留关系信息，后续GraphSHA则强调合成“更难”的样本以扩大决策边界。这些方法从简单的过采样逐步发展到结合课程学习、拓扑增强、对比学习、生成对抗和混合策略，体现了该领域从数据层面到模型层面的演进。
异质性与不平衡的关联
Fast Im-GBK的研究指出，少数类节点不仅样本少，其同质性也较低，导致错误信息在相邻节点间传播。这一发现将类别不平衡与图异质性联系起来，提示读者在处理不平衡问题时，不能仅关注样本数量，还需考虑图结构本身的特性，否则可能忽略导致分类性能下降的关键因素。
理论视角：偏差-方差分解与信息瓶颈
文章提到基于偏差-方差分解的框架，利用图增强估计方差并设计正则化项来减轻不平衡影响；同时，图信息瓶颈方法通过平衡表达性和鲁棒性来学习表示。这些工作为理解不平衡问题提供了理论工具，表明除了经验性方法，从理论层面分析偏差和方差、信息压缩与保留的权衡，有助于设计更通用的解决方案。
Q&A
图神经网络处理类别不平衡节点分类有哪些主要方法？
主要方法包括：GraphSMOTE（合成少数类过采样）、GNN-CL（课程学习）、GraphSHA（合成难样本）、Fast Im-GBK（考虑图异质性）、ImGCL（进步性平衡抽样对比学习）、ImGAGN（生成对抗网络）、GraphMixup（混合框架）、基于偏差-方差分解的方法以及图信息瓶颈（GIB）方法。
GraphSMOTE 是如何解决图节点分类中的类别不平衡问题的？
GraphSMOTE 综合利用合成少数类过采样算法和嵌入空间，使大类和小类样本的特征相对不变，并提供关系信息，从而提高分类器的准确性。
GNN-CL 框架包含哪些模块，如何提升分类性能？
GNN-CL 包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失。通过动态调整这两个模块的权重，实现更好的泛化和判别能力，在多个图数据集上优于现有最先进方法。
GraphSHA 如何扩大少数类的决策边界？
GraphSHA 通过合成更难的小样本来扩大少数类决策边界，并在七个公共基准数据集上针对不同图神经网络骨干编码器进行节点分类实验，取得了优于其他基线方法的效果。
Fast Im-GBK 方法有什么特点？
Fast Im-GBK 是一种高效方法，将不平衡分类策略与意识到异质性的图神经网络相结合，有效解决类别不平衡问题，并显著减少训练时间。实验证明其在节点分类任务中相比现有基线方法具有更好的分类性能和效率。
ImGCL 框架基于什么技术，效果如何？
ImGCL 是基于进步性平衡抽样（PBS）的图对比学习框架，可以平衡无标签图数据的节点表示，并在多个不平衡图数据集和不平衡设置上证明了其有效性。
ImGAGN 模型如何平衡不同类别节点的数量？
ImGAGN 是一种生成对抗图网络模型，通过引入名为 GraphGenerator 的新型生成器，模拟少数类节点的属性分布和网络拓扑结构分布，从而使不同类别节点的数量得以平衡。通过在实际平衡的网络上训练 GCN 鉴别器，在四个真实世界的不平衡网络数据集上表现出超越最先进算法的半监督节点分类效果。
GraphMixup 框架采用了哪些技术来改善节点不平衡分类？
GraphMixup 是一种基于混合的框架，使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息，并提出了针对图数据的 Edge Mixup 具体方法以及一种自适应机制 Reinforcement Mixup。实验结果表明，GraphMixup 对于节点不平衡分类任务具有非常好的效果。
基于偏差-方差分解的方法如何解决图神经网络中的类别不平衡问题？
该方法通过整合不平衡节点分类和偏差-方差分解的理论框架，利用图增强技术估计方差，并设计正则化项来减轻不平衡的影响。在多个基准测试中，包括自然不平衡数据集和公共分割类别不平衡数据集，证明了其优于现有方法，为解决不平衡节点分类问题提供了一种新的理论视角。
图信息瓶颈（GIB）方法在类别不平衡节点分类中有什么作用？
图信息瓶颈是一种基于信息瓶颈原理的图形数据表示学习方法，通过优化平衡图形网络结构和节点特征的表达方式的表达性和鲁棒性，设计了两种采样算法进行结构方面的正则化，并使用两个新模型 GIB-Cat 和 GIB-Bern 实现 GIB 原则，证明了其比最先进的图形防御模型更具有鲁棒性。
