A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions

A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions

图上不平衡学习综述

摘要

图表示在真实世界中普遍存在的相互关联的结构。有效的图分析，例如图学习方法，使用户能够从图数据中获得深刻的见解，支持各种任务，包括节点分类node classification、链接预测link prediction。然而，这些方法往往存在数据不平衡问题data imbalance，这是图数据中一个常见的问题，即某些部分拥有丰富的数据，而另一些部分则缺乏数据，从而导致有偏差的学习结果。这就需要新兴领域：即图上的不平衡学习，目的是纠正这些数据分布偏差，以获得更准确和更具代表性的学习结果。在这项调查中，我们着手对图上的不平衡学习的文献进行了全面的回顾。我们首先提供对概念和相关术语的明确理解，为读者建立牢固的基础理解。在此基础上，我们提出了两种综合分类法：(1)问题分类法，它描述了我们考虑的不平衡形式、相关任务和潜在解决方案;(2)技术分类，详细说明了解决这些不平衡的关键策略，并为读者在方法选择过程中提供帮助。最后，我们提出了图上不平衡学习领域的问题和技术的未来发展方向，促进了这一关键领域的进一步创新。

Index Terms: Imbalanced learning on graphs, graph reprsentation learning, class imbalance, structure imbalance

1 介绍

图或者网络，指的是在现实世界场景中常见的相互连接的结构，其中实体经常相互作用。图在各个领域都无处不在，比如Facebook平台上的社交网络，DBLP上的引文网络，亚马逊上的电子商务网络等。