【文献阅读】Balancing the Scales: HyperSMOTE for Enhanced Hypergraph Classification

Abstract

真实用户与机器人数量之间的固有不平衡带来了巨大的挑战，常常导致分类器的偏差。本文引入了HyperSMOTE，这是一种利用超图丰富结构的不平衡节点分类的新方法。通过将X平台用户表示为节点，并将他们的互动表示为超边，构建了一个能够捕捉用户之间复杂关系和互动的超图。

这种基于超图的表示方式允许对用户行为和互动有更细致的理解，为机器人检测提供了坚实的基础。

HyperSMOTE通过在超图中生成合成的机器人账户，解决了类别不平衡问题，确保了训练数据集的平衡，同时保留了超图的语义。

Contribution：
1）X生态系统的超图表示：我们引入了一种新的X平台表示方法，将每个用户账户描述为一个节点，他们的互动（推文、转推、提及等）形成超边。这种表示捕捉了X账户之间复杂的关系和互动，为后续分析和机器人检测提供了丰富的结构。
2）使用HyperSMOTE解决类别不平衡：鉴于超图中真实用户账户数量远多于机器人账户，我们提出了HyperSMOTE技术。该方法在超图中生成合成的机器人账户，确保训练数据集的平衡，同时保留超图的结构和语义。
3）用于机器人检测的超图神经网络：我们设计了一种超图神经网络，通过聚合邻近节点和超边的信息，生成每个节点的稳健表示。

PROPOSED METHOD