本文探讨了图神经网络（GNNs）在类别不平衡问题上的解决方案，提出了GraphSMOTE、GraFN和Fast Im-GBK等新方法，结合自监督学习和图异质性，显著提高了节点分类的准确性和效率。这些研究为不平衡节点分类提供了新的理论视角和实用框架。

本论文介绍了一种解决图中不平衡分类问题的高效方法，通过考虑图异质性。研究发现，少数类别不仅样本稀缺，而且同质性低，导致错误信息传播。提出了一种名为Fast Im-GBK的方法，将不平衡分类策略与意识到异质性的图神经网络相结合，解决类别不平衡问题，并减少训练时间。实验证明该模型在节点分类任务中具有更好的性能和效率。