Mar, 2022

图增强学习

PDF
TL;DR通过针对宏观、中观和微观层面的图的加强策略及其对数据质量和模型效果的改善作详细阐述，并着重讨论了针对数据特定场景、模型特定场景和混合场景的不同应用场景下的聚合机制和学习模型优化策略相结合的优化方案，从而验证了 GAL 在各种下游任务中不同策略的有效性和适应性。最后，作者还提出了 GAL 的异构性、时空动态性、可扩展性和泛化性等几个需要进一步解决的问题。
graph augmentation learninggraph-based applicationsdata qualitymodel performanceopen issues
发现论文，激发创造
  • 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

  • 图神经网络的数据增强

    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

  • 结构失衡感知图增强学习

    本研究提出选择性图增强方法（SAug）来解决现实中常见的结构不平衡问题，通过基于 Pagerank 的采样策略来识别中心节点和边缘节点，并提出了一种选择性增强策略来改善节点之间的结构不平衡，最终通过重新训练 GNN 模型实现在骨干 GNN 上的显著改进。

    Mar, 2023

  • 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

  • 通过图消息增强统一图对比学习

    本研究通过引入图消息表示图数据，并提出了一种新颖的图消息增强（GMA）方法，为图的自监督学习任务提供了通用且更有效的图数据增强方案。通过引入 GMCL 方法，采用指导属性的通用 GMA 进行图对比学习，实验证明了所提出的 GMA 和 GMCL 方法的有效性和优势。

    Jan, 2024

  • 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

  • 通过数据增强提高图形异常检测模型的泛化性能

    提出了用于解决图异常检测中普适性问题的数据增强方法，并验证了其提高 GAD 模型通用性的有效性。

    Sep, 2022

  • 推荐系统的图增强

    提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

    Mar, 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

  • 通过数据增强提高图形异常检测模型的泛化能力

    本文提出了一种基于数据增强的半监督学习方法 AugAN，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。

    Jun, 2023