[논문 리뷰] GraphSB: Boosting Imbalanced Node Classification on Graphs through Structural Balance

Zhixiao Wang, Chaofan Zhu외 4명|arXiv (Cornell University)|2026. 01. 27.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

GraphSB는 그래프의 고유한 구조적 불균형을 해결하기 위해 Structural Balance를 도입하고, 구조 강화 증가 및 확산을 사용하여 GNN 기반 노드 분류에서 소수 클래스 성능을 향상시킵니다.

ABSTRACT

Imbalanced node classification is a critical challenge in graph learning, where most existing methods typically utilize Graph Neural Networks (GNNs) to learn node representations. These methods can be broadly categorized into the data-level and the algorithm-level. The former aims to synthesize minority-class nodes to mitigate quantity imbalance, while the latter tries to optimize the learning process to highlight minority classes. However, neither of them addresses the inherently imbalanced graph structure, which is a fundamental factor that incurs majority-class dominance and minority-class assimilation in GNNs. Our theoretical analysis further supports this critical insight. Therefore, we propose GraphSB (Graph Structural Balance), a novel framework that incorporates Structural Balance as a key strategy to address the underlying imbalanced graph structure before node synthesis. Structural Balance performs a two-stage structure optimization: Structure Enhancement that mines hard samples near decision boundaries through dual-view analysis and enhances connectivity for minority classes through adaptive augmentation, and Relation Diffusion that propagates the enhanced minority context while simultaneously capturing higher-order structural dependencies. Thus, GraphSB balances structural distribution before node synthesis, enabling more effective learning in GNNs. Extensive experiments demonstrate that GraphSB significantly outperforms the state-of-the-art methods. More importantly, the proposed Structural Balance can be seamlessly integrated into state-of-the-art methods as a simple plug-and-play module, increasing their accuracy by an average of 4.57%.

연구 동기 및 목표

• 고유한 그래프 구조가 GNN 기반 노드 분류에서 소수 클래스 악화에 어떻게 기여하는지 식별한다.
• Structure Enhancement와 Relation Diffusion을 통해 구조적 불균형을 완화하기 위한 Structural Balance를 제안한다.
• Structural Balance가 소수 클래스 학습을 향상시키고 기존 방법에 Plug-and-Play 모듈로 통합될 수 있음을 보인다.

제안 방법

• 불균형한 그래프 구조로 인한 다수 클래스의 지배와 소수 클래스의 수용을 보이는 이론적 분석.
• Two-stage Structural Balance: (1) Structure Enhancement를 통해 어려운 샘플을 발굴하고 소수 연결성을 강화; (2) Relation Diffusion으로 강화된 소수 맥락을 전파하고 고차 구조를 모델링.
• 소수-conflicting 샘플을 탐지하기 위한 이중 뷰 분석(특징 뷰 대 이웃 뷰)을 통한 하드 샘플 마이닝.
• 동질성을 보존하기 위한 유사도 제약을 갖는 소수 샘플에서 소수 앵커로의 간선 추가를 통한 적응적 증강.
• 선형 복잡도로 고차 의존성을 포착하기 위한 확률적 구조 섭동을 포함한 보강 그래프에 대한 희소 반복 확산.
• 원래 정보와 합성 정보를 결합한 GNN 분류기에 대한 통합으로, 노드+엣지 손실을 결합한 공동 학습.

실험 결과

연구 질문

• RQ1 불균형한 그래프 구조가 GNN에서 소수 클래스 악화에 어떻게 기여하는가?
• RQ2 노드 합성 이전의 구조적 개입이 소수 클래스 표현과 분류 정확도를 향상시킬 수 있는가?
• RQ3 Structural Balance가 기존 GNN 기반 불균형 방법과 Plug-and-Play 모듈로 호환 가능한가?

주요 결과

• GraphSB는 8개 데이터셋에서 정확도와 Macro-F1 측면에서 최첨단 기준치를 지속적으로 상회한다.
• Structural Balance는 데이터 수준이나 알고리즘 수준의 편향에 국한되지 않고 근본적인 구조적 불균형을 해결함으로써 학습을 향상시킨다.
• SB는 다른 방법에 통합되어 평균적으로 정확도를 4.57% 향상시킬 수 있다.
• 특정 제거 실험에서 Structure Enhancement와 Relation Diffusion이 모두 성능에 기여하며, SE는 특히 심각하게 불균형한 그래프에서 유리하다고 나타난다.
• 대규모 그래프에서 SB는 고전적 기준선에 대해 상당한 절대 이득을 제공하며, SB 적용 시 여러 방법 간 성능 수렴을 보인다.
• t-SNE 시각화는 GraphSB가 baselines에 비해 더 명확하고 잘 분리된 클래스 군집을 생성함을 시사한다.