摘要
图神经网络(GNNs)在处理非欧几里得数据上表现出了超越传统卷积神经网络(CNNs)的优势,主要的原因在于GNNs可以聚合节点的邻居信息来增强节点的特征表示.但是,许多图数据集都面临着度不平衡的问题,现有的工作多关注类不平衡问题,在处理此类问题时表现不佳.针对以上问题,提出了一种基于分班图神经网络的度不平衡节点分类模型(DIP-GNN).考虑到单一模型不能同时学习不同位置节点的特征,根据节点的度信息将所有节点划分为三类,使用三个不同的模型分别训练.同时,考虑到稀疏位置节点的信息不充分,使用邻居增强的手段来增加这类节点的邻居信息,来解决现有工作中节点度不平衡的问题.在五个公共图基准数据集上的实验结果表明,通过分班模型能有效捕获图中不同位置节点的特性,节点分类准确率相较于目前常用的图卷积神经网络有更好的表现.
NETL
NSTL
万方数据