Mar, 2022

基于 Metropolis-Hastings 数据增强的图神经网络

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • Metropolis-Hastings 生成对抗网络

    本文介绍了一种新的生成对抗网络，将 Markov chain Monte Carlo 和 GANs 相结合，从生成器 - 判别器对所定义的隐性分布中绘制样本，并使用 GAN 训练的判别器来构建用于改进采样的包装器，从而提高了生成器的性能。

    Nov, 2018

  • 半监督异构图学习与多层数据增广

    该论文提出了一种名为 HG-MDA 的半监督异质图学习方法，通过数据增强、节点和拓扑增强等策略处理稀疏数据场景下异质图的信息异质性问题，采用基于元关系的关注机制和三角形边添加、删除等方式解决了负曲率问题，应用于互联网金融场景下的用户识别任务，取得了比当前 SOTA 模型更好的效果。

    Nov, 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

  • 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

  • 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

  • 图分类的数据增强

    该篇研究提出了两种启发式算法：随机映射和基元相似度映射，并结合数据增强、数据筛选和模型重训练的通用模型演化框架 M-Evolve 以优化预训练的图分类器，解决小规模基准数据集上过拟合问题，平均提高 3-12% 图分类任务的准确率。

    Sep, 2020

  • 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

  • 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