小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
介绍：
图上的不平衡分类普遍存在但具有挑战性 在许多实际应用中，例如欺诈节点检测。 最近，图神经网络 (GNN) 在许多网络分析任务中表现出良好的性能。然而，现有的大多数 GNN 几乎完全专注于平衡网络， 并且会在不平衡的网络上获得不吸引人的性能。为了弥补这一差距，在本文中，我们提出了一个生成 对抗性图网络模型，称为 ImGAGN 以解决 图上的不平衡分类问题。它介绍了一部小说 图结构数据的生成器，命名为GraphGenerator，它 可以模拟少数类节点的属性分布 通过生成集合和网络拓扑结构分布 合成少数节点，使得不同类中的节点数量可以平衡。然后是图卷积网络 (GCN) 鉴别器被训练来区分真实节点 和假（即生成）节点，以及少数节点之间 和合成平衡网络上的多数节点。验证 所提出方法的有效性，大量实验 在四个真实世界的不平衡网络数据集上进行。 实验结果表明，所提出的方法 ImGAGN 优于最先进的半监督算法 不平衡节点分类任务。
总结：
在本文中，为了解决不平衡的网络嵌入问题，我们提出了一种半监督的网络嵌入方法 ImGAGN，它利用 GraphGenerator 来模拟 少数类节点的属性分布和网络拓扑结构分布。它生成了一组合成少数 节点，使得不同类中的节点数可以是 均衡。然后训练 GCN 判别器来判别 真实节点与虚假节点之间，以及少数节点之间 节点和多数节点。广泛的比较研究，包括不平衡的节点分类、网络布局和 进行超参数敏感性分析以验证 所提出方法的有效性。实证评估 在四个真实世界的数据集上表明，提出的 ImGAGN 可以胜过最先进的不平衡网络 不平衡节点分类任务的嵌入算法 大多数情况下与召回率、精度和 AUC 相关。此外， 可视化结果表明，ImGAGN 能够 学习节点嵌入使得少数类节点 可以从多数类节点中分离出来
