图分类的数据增强
通过图结构的启发式转换,引入数据增强并提出四种方法:随机映射,顶点相似度映射,基元随机映射和基元相似度映射,生成更多弱标记数据,以优化预训练图分类器。实验证明,该框架可以减轻小规模基准数据集上现有图分类模型的过拟合和过度泛化问题,并在图分类任务上成功地提高了 3-13%的准确度。
Jul, 2020
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
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
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。
Jun, 2020
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
本研究提出了两种模型无关的图形数据增强方法 NodeSam 和 SubMix,以优化图形分类任务的性能。我们实验结果表明 NodeSam 和 SubMix 在社交网络和分子图中的表现优于现有方法。
Feb, 2022
本综述论文简要概述了关于图数据增强和小样本学习的最新研究,涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术,以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域,并进一步对其进行细分分类,同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习,也研究了度量学习技术和基于优化的技术。总的来说,本论文提供了广泛的技术组合,可用于解决低数据情况下的图处理问题。
Nov, 2023
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
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