Nov, 2022

半监督异构图学习与多层数据增广

PDF
TL;DR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。
semi-supervised graph learningheterogeneous graphdata augmentationtopology augmentationuser identification
发现论文，激发创造
  • 关于生成对抗网络训练中的数据增强

    本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

    Jun, 2020

  • 高度网络表示学习的高效拓扑感知数据增强

    TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

    Jun, 2024

  • 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

  • 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

  • 基于混合数据增强的调查：分类、方法、应用和可解释性

    本文提供了对 Mix-based Data Augmentation 在分类，方法，应用及可解释性等方面的全面调查，为该领域的研究人员提供了有用的方向。

    Dec, 2022

  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • 增强特征学习用于异构域适配

    本文提出了一种新的异构领域适应 (HDA) 学习方法，使用两个不同的投影矩阵将两个域的数据转换为公共子空间，并提出两个新的特征映射函数将转换后的数据与原始特征和零进行增强。使用 SVM 等现有学习方法，本方法称为异构特征增强 (HFA) 可以有效地利用来自两个域的数据进行 HDA 并比现有方法表现更好。同时，文章还设计了交替优化算法来解决 HFA 中的非平凡优化问题。

    Jun, 2012

  • 何时学习什么：模型自适应数据增强课程

    模型自适应数据增强（MADAug）是一种通过训练数据增强策略网络来向模型教授何时学习何事的方法，旨在优化泛化性能。MADAug 通过模型自适应策略在训练阶段选择每个输入图像的增强操作，构建逐步优化的数据增强课程。在多个图像分类任务中，MADAug 在性能上超过或与其他基线方法相媲美，并且在所有类别中都能带来改进，特别是对于难分类的类别。此外，MADAug 的策略在转移到细粒度数据集时表现更好，逐渐引入越来越大的扰动，并自然地形成一个从简单到困难的课程。

    Sep, 2023

  • SF (DA)$^2$: 无源领域适应的数据增强视角

    通过数据增强技术，我们提出了一种名为 SF (DA)^2 的新方法，它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战，并在 SFDA 场景中展现了卓越的适应性能。

    Mar, 2024

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019