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
我们提出了一种新颖的端到端深度学习方法,用于监督图预测。我们引入了一种原始的基于最优传输的损失函数,即部分遮蔽融合 Gromov-Wasserstein 损失函数(PM-FGW),可以直接利用图形表示(如邻接和特征矩阵)。PM-FGW 具有 SGP 所需的所有理想属性:节点排列不变性,次可微性,并通过比较它们的填充表示和遮罩向量来处理不同大小的图形。此外,我们还提出了一种灵活的基于 Transformer 的架构,可以轻松适应不同类型的输入数据。在实验部分,我们展示了该方法相对竞争对手在一个新颖而具有挑战性的合成数据集(image2graph)和两个真实世界任务(image2map 和 fingerprint2molecule)上的效率和多功能性。
Feb, 2024
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
该研究考虑如何计算结构化对象间的距离,并提出了一种新的用于概率分布度量的运输距离 ——Fused Gromov-Wasserstein(FGW),成功在图分类任务中超越了传统方法,对于图的聚类问题也起到了积极的作用。
May, 2018
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
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
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
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
在该论文中,提出了一种新颖的图形增强策略,该策略在非欧几里得空间中操作,通过使用图数学模型对网络序列的生成机制进行建模,提高了图分类模型的性能。此外,使用非欧几里得距离,特别是 Gromow-Wasserstein 距离,可以更好地逼近图形模型。该框架还提供了一种验证不同图形模型估计方法的手段,特别适用于真实世界场景中真实图形模型未知的情况。
Apr, 2024
本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型,可用于关系图的聚类。
Nov, 2019