大发888游戏平台下载-博客市网站-亚洲太阳开户送98元-正规皇冠投注网

中文題目： GraphCKSA：基于CENN-KCQ重采樣與雙視角邊優(yōu)化的雙策略圖神經(jīng)網(wǎng)絡(luò)不平衡節(jié)點(diǎn)分類(lèi)方法

 

論文題目：GraphCKSA: Innovative dual-strategy GNN for imbalanced node classification with CENN-KCQ resampling and dual-view edge optimization

 

錄用期刊/會(huì)議：【Applied Intelligence】 (中科院大類(lèi)三區(qū))

原文DOI：https://doi.org/10.1007/s10489-025-06660-6

原文鏈接：https://link.springer.com/article/10.1007/s10489-025-06660-6

見(jiàn)刊時(shí)間：2025年6月18日

作者列表：

1） 張麗英 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 公共教學(xué)中心教師

2） 陳潞夢(mèng) 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 計(jì)算機(jī)技術(shù) 碩士 23

3） 鄒天博 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 計(jì)算機(jī)技術(shù) 碩士 23

4） 王智廣 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系教師

5） 鄭馨竺 中國(guó)石油大學(xué)（北京）經(jīng)濟(jì)管理學(xué)院 管理科學(xué)與工程系教師

文章簡(jiǎn)介:

近年來(lái)，復(fù)雜的網(wǎng)絡(luò)或圖結(jié)構(gòu)在多種場(chǎng)景中廣泛應(yīng)用，例如交通網(wǎng)絡(luò)、引用網(wǎng)絡(luò)和社交網(wǎng)絡(luò)等。在現(xiàn)實(shí)世界中，節(jié)點(diǎn)的類(lèi)別分布往往存在顯著的不平衡性，識(shí)別少數(shù)類(lèi)節(jié)點(diǎn)對(duì)許多應(yīng)用場(chǎng)景至關(guān)重要。本文針對(duì)不平衡節(jié)點(diǎn)分類(lèi)問(wèn)題，提出了GraphCKSA模型，該模型創(chuàng)新性地設(shè)計(jì)了CENN-KCQ重采樣，解決過(guò)度壓縮問(wèn)題的同時(shí)減少多數(shù)類(lèi)節(jié)點(diǎn)中的噪聲樣本，并優(yōu)化了樣本選擇過(guò)程有效減少不平衡數(shù)據(jù)集中多數(shù)類(lèi)的噪聲樣本;結(jié)合KMeans聚類(lèi)和簇內(nèi)SMOTE過(guò)采樣，并通過(guò)Q-learning強(qiáng)化學(xué)習(xí)智能地確定最優(yōu)聚類(lèi)簇?cái)?shù)K，確保少數(shù)類(lèi)節(jié)點(diǎn)的高質(zhì)量過(guò)采樣;通過(guò)生成高質(zhì)量的平衡增強(qiáng)數(shù)據(jù)集和合理的邊連接，為節(jié)點(diǎn)分類(lèi)器提供了一個(gè)平衡增強(qiáng)圖。最終實(shí)現(xiàn)了顯著提升不平衡節(jié)點(diǎn)分類(lèi)任務(wù)的性能。

摘要:

圖節(jié)點(diǎn)類(lèi)別分布通常存在顯著的不平衡性，使得模型難以有效捕捉少數(shù)類(lèi)節(jié)點(diǎn)的特征，導(dǎo)致分類(lèi)結(jié)果偏向于多數(shù)類(lèi)。因此，本文提出了一種全新的圖重采樣框架GraphCKSA，旨在通過(guò) CENN-KCQ 重采樣和雙視角邊優(yōu)化策略來(lái)解決不平衡節(jié)點(diǎn)分類(lèi)問(wèn)題。GraphCKSA創(chuàng)新性地將CENN欠采樣和KCQ-SMOTE過(guò)采樣相結(jié)合，構(gòu)建了高質(zhì)量的平衡增強(qiáng)數(shù)據(jù)集，并通過(guò)合理的邊連接策略，顯著提升了圖神經(jīng)網(wǎng)絡(luò)在不平衡節(jié)點(diǎn)分類(lèi)任務(wù)中的表現(xiàn)。在Cora、Citeseer和PubMed三個(gè)公共數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，GraphCKSA均顯著優(yōu)于對(duì)比模型。此外，通過(guò)消融實(shí)驗(yàn)、過(guò)采樣規(guī)模、不平衡比率和超參數(shù)分析，進(jìn)一步驗(yàn)證了GraphCKSA的有效性，展現(xiàn)出其在不平衡節(jié)點(diǎn)分類(lèi)任務(wù)中的顯著性能提升。

背景與動(dòng)機(jī):

在現(xiàn)實(shí)世界中，節(jié)點(diǎn)的類(lèi)別分布往往存在顯著的不平衡性，即多數(shù)類(lèi)節(jié)點(diǎn)的數(shù)量遠(yuǎn)大于少數(shù)類(lèi)節(jié)點(diǎn)。然而，識(shí)別少數(shù)類(lèi)節(jié)點(diǎn)對(duì)許多應(yīng)用場(chǎng)景至關(guān)重要。在處理圖節(jié)點(diǎn)分類(lèi)任務(wù)中的不平衡數(shù)據(jù)集時(shí)，直接用原始數(shù)據(jù)訓(xùn)練GNN分類(lèi)器可能難以有效捕捉少數(shù)類(lèi)節(jié)點(diǎn)的特征，導(dǎo)致分類(lèi)結(jié)果偏向于多數(shù)類(lèi)，忽視少數(shù)類(lèi)的識(shí)別。針對(duì)這一問(wèn)題，本文提出了一種全新的圖重采樣框架GraphCKSA。

設(shè)計(jì)與實(shí)現(xiàn):

GraphCKSA模型由四個(gè)模塊組成：(i)基于GraphSage的特征提取器，用于提取節(jié)點(diǎn)的特征表示；(ii)重采樣節(jié)點(diǎn)生成器，包括CENN欠采樣和KCQ-SMOTE過(guò)采樣兩個(gè)部分，用于去除多數(shù)類(lèi)噪聲樣本和生成少數(shù)類(lèi)節(jié)點(diǎn)，構(gòu)建一個(gè)高質(zhì)量的平衡增強(qiáng)數(shù)據(jù)集；(iii)邊生成器，從局部和全局雙重優(yōu)化邊連接，形成一個(gè)平衡增強(qiáng)圖；(iv)基于GNN的節(jié)點(diǎn)分類(lèi)器，基于平衡增強(qiáng)圖執(zhí)行節(jié)點(diǎn)分類(lèi)。本文提出的GraphCKSA模型結(jié)構(gòu)如圖1所示。

 

圖1 GraphCKSA模型框架

實(shí)驗(yàn)結(jié)果與分析:

為了驗(yàn)證GraphCKSA模型的有效性，將GraphCKSA與不平衡網(wǎng)絡(luò)嵌入方法的代表性方法及最先進(jìn)的方法（Origin、Over-sampling、Re-weight、SMOTE、Embed-SMOTE、DR-GCN、GraphSMOTE、GraphENS、GraphSR）進(jìn)行比較。

首先，在三個(gè)數(shù)據(jù)集上比較了GraphCKSA與基線(xiàn)方法在不平衡節(jié)點(diǎn)分類(lèi)任務(wù)上的表現(xiàn)。對(duì)比實(shí)驗(yàn)結(jié)果如下表1。這些結(jié)果驗(yàn)證了GraphCKSA的有效性，顯著提高了圖神經(jīng)網(wǎng)絡(luò)中不平衡節(jié)點(diǎn)分類(lèi)任務(wù)的性能。

 

其次，分析了不同模型在不同過(guò)采樣規(guī)模、不平衡比率下的性能，如下圖2、圖3。通過(guò)實(shí)驗(yàn)得到過(guò)采樣規(guī)模在0.8到1.0之間更有利于不平衡節(jié)點(diǎn)分類(lèi)的性能提升。當(dāng)不平衡程度更為極端時(shí)，GraphCKSA所取得的改進(jìn)更為顯著。

 

最后，分析了不同超參數(shù)的敏感性，如下圖4。由于兩種規(guī)模的損失差異，超參數(shù)在1 × 10?6和4 × 10?6之間的效果更好。

 

結(jié)論:

GraphCKSA通過(guò)CENN欠采樣和KCQ-SMOTE過(guò)采樣平衡數(shù)據(jù)集來(lái)有效解決欠采樣中過(guò)度壓縮及多數(shù)類(lèi)噪聲樣本問(wèn)題的同時(shí)提升過(guò)采樣少數(shù)類(lèi)節(jié)點(diǎn)的質(zhì)量，并通過(guò)Q-learning算法智能確定最佳聚類(lèi)簇?cái)?shù)K，有效捕捉少數(shù)類(lèi)節(jié)點(diǎn)的特征，構(gòu)建了一個(gè)高質(zhì)量的平衡增強(qiáng)數(shù)據(jù)集。從雙重視角優(yōu)化邊連接，形成一個(gè)平衡增強(qiáng)圖。實(shí)驗(yàn)驗(yàn)證了GraphCKSA在不平衡節(jié)點(diǎn)分類(lèi)任務(wù)中的有效性和優(yōu)越性。

作者簡(jiǎn)介:

張麗英，講師，博士，中國(guó)石油大學(xué)（北京）人工智能學(xué)院碩士生導(dǎo)師。主要研究方向：圖機(jī)器學(xué)習(xí)、油氣人工智能及應(yīng)用、時(shí)空數(shù)據(jù)挖掘等。

聯(lián)系方式：[email protected]