图神经网络的数据增强

AAAIJun, 2020

Data Augmentation for Graph Neural Networks

Tong Zhao, Yozen Liu, Leonardo Neves, Oliver Woodford, Meng Jiang...

TL;DR本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

Abstract

data augmentation has been widely used to improve generalizability of machine learning models. However, comparatively little work studies data augmentation for graphs. This is largely due to the complex, non-Eucl

data augmentation graph neural networks semi-supervised learning edge prediction classification

发现论文，激发创造

深度图学习的数据增强：综述

本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。

Feb, 2022

面向图机器学习的图数据增强：一项调查

本文介绍了现有的图形数据增强方法，并对文献进行了结构化概括。从数据、任务和学习的角度，我们首先介绍了三种不同的分类图形数据增强方法的方法。然后，我们介绍了不同方法和应用的最新进展，并总结了一些未解决的挑战和未来研究的方向。

Feb, 2022

用于图分类的自动化数据增强

本文提出了 GraphAug，一种自动化的数据增强方法，通过采用基于强化学习的训练方法最大化预测的标签不变概率，可以在大多数时候产生标签不变性数据增强，并在不同的图分类任务中优于以前的图增强方法。

Feb, 2022

图神经网络的本地增强

本研究提出一种数据增强策略 —— 局部增强，即通过采样与中心节点特征相关联的其它节点特征的条件分布来增强 GNN 模型的表达能力，使用局部增强方法可以在各种 GNN 体系结构和数据集上获得稳定的性能提升，例如在 Cora，Citeseer 和 Pubmed 上平均测试准确率分别提高了 3.4％和 1.6％，同时，也能够在大型图 (OGB) 上提高模型的性能。

Sep, 2021

增强实际复杂网络表示的超边扩充

通过构建虚拟超边并提取相应信息以增强图神经网络（GNN）在下游任务中的性能，Hyperedge Augmentation（HyperAug）方法能够显著超越 GNN 基线和其他图增强方法，在各种实际应用背景下，有效地将高阶节点关系整合到图增强方法中来处理实际复杂网络。

Feb, 2024

通过多视角增强提高子图表征学习

本研究提出一种新颖的多视角扩充机制，以改进基于子图表征学习模型的训练效果和下游预测任务的准确性，在多个真实世界的生物和生理数据集上的基准实验表明，该扩充技术相较于现有的图神经网络表征学习研究具有更好的训练效率、可扩展性和准确度。

May, 2022

关于图神经网络和特征增强策略在社交网络分类中的能力

本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

Jan, 2024

基于 Metropolis-Hastings 数据增强的图神经网络

该论文提出了一种名为 Metropolis-Hastings Data Augmentation（MH-Aug）的新型框架，利用 Metropolis-Hastings 算法从一个显式目标分布中抽取增强的图形，实现对图形神经网络进行半监督学习，从而改善了 GNN 的性能。

Mar, 2022

图神经网络增强的拓扑正则化

本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

Apr, 2021

半监督图分类的标签不变增强

本研究探讨了图像对比学习在图像分类中的成功应用，并提出了一种适用于图结构数据的标签不变增强方法，旨在提高半监督学习的表现。该方法在表征空间中进行增强，仅在最困难的方向生成样本，并通过有效结合图像旋转、剪裁及翻转等形式进行实验验证。结果表明，该方法优于基于图神经网络和图对比学习的其他方法。

May, 2022