利用结构增强的基于长尾分布的图神经网络模型（SAILOR）可以改善尾节点表达并超越现有基准模型。

Aug, 2023

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

我们提出了一种新颖的长尾增强图对比学习（LAGCL）方法，通过引入可学习的长尾增强方法来增强尾节点，并基于增强的图生成对比视图，显著改善了推荐系统的性能。

Sep, 2023

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

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

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。

Mar, 2022

本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

Dec, 2022

本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

Oct, 2023

本文研究了使用图神经网络（GNNs）进行无监督场景下的节点表示的学习。我们提出了 SAIL 框架来平滑节点的接近程度，并通过两个互补的自蒸馏正则化模块进行知识蒸馏，实现了竞争性的性能。

Sep, 2020