En este artículo, proponemos SamGoG, un marco de aprendizaje de grafos de grafos (GoG) basado en muestreo, para abordar dos importantes problemas de desequilibrio en tareas de clasificación de grafos: desequilibrio de clases y desequilibrio de tamaño de grafo. SamGoG construye múltiples GoG y los entrena secuencialmente mediante un eficiente mecanismo de muestreo basado en importancia. Este mecanismo de muestreo integra similitud por pares aprendible y grado de nodo adaptativo de GoG para mejorar la homogeneidad de las aristas y, por lo tanto, la calidad de los modelos posteriores. SamGoG se integra perfectamente con diversas GNN posteriores, lo que permite una adaptación eficiente a las tareas de clasificación de grafos. Amplios experimentos con conjuntos de datos de referencia demuestran que SamGoG alcanza un rendimiento excepcional, con una mejora de la precisión de hasta un 15,66 % y una aceleración de aprendizaje de 6,7 veces.
