GraphMixup: 自监督环境预测在图上改进类不平衡节点分类

Jun, 2021

GraphMixup: 自监督环境预测在图上改进类不平衡节点分类

GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction

Lirong Wu, Haitao Lin, Zhangyang Gao, Cheng Tan, Stan.Z.Li

TL;DR本文提出了一种名为 GraphMixup 的基于混合的框架，旨在改善图网络中的节点不平衡分类任务，通过使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息，并提出了针对图数据的 Edge Mixup 具体方法以及一种自适应机制 Reinforcement Mixup。实验结果表明，GraphMixup 对于节点不平衡分类任务具有非常好的效果。

Abstract

Recent years have witnessed great success in handling node classification tasks with graph neural networks (GNNs). However, most existing GNNs are based on the assumption that node samples for different classes are balanced, while for many real-world graphs, there exists the problem of

graph neural networks class imbalance graphmixup feature mixup reinforcement mixup

发现论文，激发创造

G-Mixup：图形分类的图数据增强

本研究开发了一种适用于图数据的 Mixup 方法，通过插值不同类别图的生成器以获得混合图，从而提高了图神经网络的泛化能力和鲁棒性。

Feb, 2022

IntraMix：精确标签和邻居的类内混合生成

IntraMix 是一种针对图神经网络（GNNs）的通用框架，通过在同一类别的低质量标记数据之间应用 Mixup 生成高质量标记数据的方法，同时通过与同一类别高置信度数据连接生成的数据来建立邻居，从而解决了 GNNs 面临的两个挑战，挑战了在节点分类中 Mixup 的有限有效性的先验观念。

May, 2024

GraphMix: 半监督学习中 GNNs 的改进训练

GraphMix 通过参数共享及插值正则化训练全连接网络与图神经网络，提升了后者的泛化性能，能用于多种图神经网络结构，能显著提升各种基准测试的性能。

Sep, 2019

使用图神经网络的不平衡节点分类方法 (GraphSMOTE)

开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

Mar, 2021

ifMixup：插值图对正则化图分类

本文提出 ifMixup，一种基于插值的正则化技术，通过在输入的节点特征向量和边表示之间进行线性插值来改善 GNN 在监督图分类中的泛化能力，该解决方案使用 Mixup 在图像上的高效策略进行设计，并添加虚拟节点来使两个图形拥有相同的输入大小，实验结果表明 ifMixup 显著改善了预测准确率，优于流行的图形增强和 GNN 方法。

Oct, 2021

S-Mixup: 图神经网络的结构混合

我们提出了一种用于节点分类的新型混合增强方法，称为结构混合 (S-Mixup)，该方法在混合节点时考虑了结构信息，通过图神经网络 (GNN) 分类器为无标签节点获取伪标签及其预测置信度，作为混合池组合的依据，同时利用从 GNN 训练中获得的边梯度，提出了一种基于梯度的边选择策略，用于选择与混合产生的节点相连的边，并通过在真实世界基准数据集上进行广泛实验证明了 S-Mixup 在节点分类任务中的有效性，发现 S-Mixup 提高了 GNN 的鲁棒性和泛化性能，特别是在异质情况下。

Aug, 2023

软对准的图形混合

本文研究了通过 Mixup 进行图数据增强的方法，提出了一种为图分类提供软对齐的较为简单有效的 Mixup 方法 S-Mixup，并探究了其对图神经网络性能和鲁棒性的影响。

Jun, 2023

NodeMixup: 解决图神经网络的欠拟合问题

图神经网络在解决半监督节点分类问题上已成为主流方法。然而，由于标记节点在图中的不均匀位置分布，标记节点只能访问到少部分未标记节点，导致了 “达不到” 问题。本研究首先通过对各种已知图进行实证研究揭示了达不到问题。然后，通过系统的实验分析展示了达不到现象导致标记节点和未标记节点之间分布对齐的不令人满意，从而严重降低了图神经网络的性能。为了解决图神经网络的达不到问题，我们提出了一种架构无关的方法，称为 NodeMixup。基本思想是：（1）通过混合标记 - 未标记节点对来增加标记节点的可达性，（2）利用图结构，通过融合节点对内部类的邻接连接来提高混合的性能增益，以及（3）使用邻居标签分布的相似性结合节点度来确定节点混合的采样权重。大量实验证明了 NodeMixup 在帮助图神经网络处理达不到问题方面的有效性。源代码可在 https://github.com/WeigangLu/NodeMixup 找到。

Dec, 2023

GDM：有限监督下的图分类的双重混合技术

本文提出了一种新颖的基于混合的图形增强方法，称为图形双重混合（GDM），利用图形实例的功能和结构信息生成新的标记图形样本，以增加有限可用标记图形样本的大小和多样性，并通过两种新颖的平衡图形采样方法增强生成图形样本的平衡难度和多样性。在基准数据集上的实验证明，当标记图形稀缺时，我们提出的方法明显优于最先进的图形增强方法。

Sep, 2023

GraphMAD：使用数据驱动凸聚类的图形混合数据增强

本文提出了一种新的基于数据的非线性 mixup 机制，为样本对及其标签提供不同的 mixup 功能，通过在公共潜在特征空间上投射图形数据并探索非线性数据驱动的 mixup 策略，结合凸聚类生成一个最佳的数据增强方法来提高图分类的性能。

Oct, 2022