Semi-Supervised Node Classificationにおける幾何的不均衡

arXiv:2303.10371v2 Announce Type: replace 要旨: グラフデータのクラス不均衡は、特に半教師ありシナリオにおいて効率的なノード分類の重大な課題となっています。本研究では、少数クラスノードがリーマン多様体の埋め込み空間において経験則的不均衡をもたらすメカニズムを、メッセージ伝播がクラス不均衡のグラフにどう影響するかを捉える新しい概念である「幾何的不均衡」を公式的に導入します。リーマン多様体における幾何的不均衡に対する厳密な理論的分析を行い、偽ラベルの整合性、ノードの再順序付け、以及曖昧さフィルタリングを通じた明示的対応によってそれを軽減する統合的なフレームワークを提案します。多種多様のベンチマークにおける大規模実験は、本アプローチが特に激しいクラス不均衡下でも既存の手法を一貫して上回ることを示しています。当研究の結果は、頑健な半教師ありノード分類のために新しい理論的洞察と実用的なツールを提供します。

arXiv:2303.10371v2 Announce Type: replace Abstract: Class imbalance in graph data presents a significant challenge for effective node classification, particularly in semi-supervised scenarios. In this work, we formally introduce the concept of geometric imbalance, which captures how message passing on class-imbalanced graphs leads to geometric ambiguity among minority-class nodes in the riemannian manifold embedding space. We provide a rigorous theoretical analysis of geometric imbalance on the riemannian manifold and propose a unified framework that explicitly mitigates it through pseudo-label alignment, node reordering, and ambiguity filtering. Extensive experiments on diverse benchmarks show that our approach consistently outperforms existing methods, especially under severe class imbalance. Our findings offer new theoretical insights and practical tools for robust semi-supervised node classification.