GraphSB: 構造的バランスによるグラフ上の不均衡ノード分類の強化

TL;DR（結論）

グラフニューラルネットワークにおける不均衡ノード分類の課題に対し、データの量的な調整だけでなく、グラフ構造そのものの不均衡を解消する新しいフレームワーク「GraphSB」が提案されました。 この手法は、決定境界付近の困難なサンプルを特定して少数クラスの接続性を強める「構造強化」と、その情報を広域に伝播させる「関係拡散」の2段階で、構造的な偏りを学習前に最適化する戦略をとります。 8つの主要なデータセットを用いた実験では、既存の最先端手法を大幅に上回る性能を示し、既存モデルに組み込むだけで精度を平均4.57%向上させる汎用性の高いプラグアンドプレイモジュールとしての有効性が証明されました。

なぜこの問題か

グラフ学習におけるノード分類は、ノードの特性に基づいてラベルを予測する基本的なタスクですが、現実世界のグラフデータの多くはクラス間でサンプル数が大きく異なる「クラス不均衡」の問題を抱えています。既存の対策は、少数クラスのノードを合成して数を増やす「データレベルの手法」と、損失関数や正則化を調整して少数クラスを重視する「アルゴリズムレベルの手法」の2つに大別されます。しかし、これらの手法は根本的な問題である「不均衡なグラフ構造」に直接対処していないため、一時的な治療にとどまっているという課題があります。 実際、不均衡なグラフ構造には強い非対称性が存在し、少数クラスのノードは近傍ノードが非常に少ない傾向にあります。これにより、メッセージパッシングの過程で近傍情報の集約が偏り、少数クラスのノード表現の質が著しく低下します。本論文の理論的分析によれば、この構造的不均衡は「多数クラスによる支配」と「少数クラスの同化」という2つの現象を引き起こします。多数クラスのノードは、情報の希釈（オーバースクアッシング）や勾配の支配を通じて、学習プロセスを圧倒します。…

核心：何を提案したのか

本論文では、グラフ固有の構造的不均衡を明示的に解決するための包括的なフレームワークとして「GraphSB（Graph Structural Balance）」を提案しています。このフレームワークの核心は、ノードの合成を行う前に、グラフの構造的な分布をバランスさせる「構造的バランス」という戦略を導入した点にあります。これは、従来の「量の不均衡」を解消する手法に、新しく「構造の不均衡」を解消する視点を加えたものです。これまでの研究が「いかにして少数クラスのノードを増やすか」に注力していたのに対し、GraphSBは「いかにして少数クラスが埋もれないようなグラフ構造を再構築するか」に焦点を当てています。 GraphSBは、大きく分けて「構造強化（Structure Enhancement）」と「関係拡散（Relation Diffusion）」という2つの最適化ステージで構成されています。…

続きはログイン/プランで閲覧できます。