在现实应用中，图上的节点分类常常面临类别不平衡的挑战，主要类别的占主导地位会导致模型性能偏差。传统的图神经网络（GNN）在这种情况下通常表现不佳，因为它们往往对主要类别过拟合，而对少数类别的表示不足。现有的解决方案通常是基于类别大小优先考虑节点或为少数类别合成新节点，但未能有效解决这一不平衡问题。本文提出了一种通过使用平衡的元集来评估重要性的节点分类方法，其中如果某个训练节点能够在无偏环境下提升模型性能，则认为该节点是重要的。
我们的方法识别出可以抵消类别不平衡的重要节点，并利用它们进行模型训练，允许在整个训练过程中进行细粒度和动态的节点选择。我们理论推导出一个公式来直接评估节点重要性，减少计算开销，并为节点选择提供直观的阈值。在这一指标的指导下，我们开发了一个新框架，过滤出有价值的标记节点、未标记节点和合成节点，从而在无偏环境中提升模型性能。
该框架的一大优势是将合成节点生成过程与过滤过程分离，确保与各种节点生成方法的兼容性。此外，我们还引入了一种构建高质量元集的策略，该元集能够紧密近似整体特征分布，确保每个类别的强大表示能力。我们在多个数据集上使用流行的GNN架构评估了NodeImport框架，结果显示其优于现有基准。我们的结果突出了该框架在缓解类别不平衡方面的灵活性和有效性，从而改善了结果。
博主点评： 本文提出的NodeImport框架通过重要性评估有效地解决了节点分类中的类别不平衡问题，展现了出色的灵活性与适应性，值得在实际应用中进一步探索与推广。该方法不仅减少了计算负担，还提供了直观的节点选择机制，为未来的研究提供了新的方向。