Aug, 2023

S-Mixup: 图神经网络的结构混合

PDF
TL;DR我们提出了一种用于节点分类的新型混合增强方法，称为结构混合 (S-Mixup)，该方法在混合节点时考虑了结构信息，通过图神经网络 (GNN) 分类器为无标签节点获取伪标签及其预测置信度，作为混合池组合的依据，同时利用从 GNN 训练中获得的边梯度，提出了一种基于梯度的边选择策略，用于选择与混合产生的节点相连的边，并通过在真实世界基准数据集上进行广泛实验证明了 S-Mixup 在节点分类任务中的有效性，发现 S-Mixup 提高了 GNN 的鲁棒性和泛化性能，特别是在异质情况下。
mixup techniquegraphsnode classificationstructural mixupgraph neural network
发现论文，激发创造
  • 软对准的图形混合

    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

  • G-Mixup：图形分类的图数据增强

    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

  • GraphMixup: 自监督环境预测在图上改进类不平衡节点分类

    本文提出了一种名为 GraphMixup 的基于混合的框架，旨在改善图网络中的节点不平衡分类任务，通过使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息，并提出了针对图数据的 Edge Mixup 具体方法以及一种自适应机制 Reinforcement Mixup。实验结果表明，GraphMixup 对于节点不平衡分类任务具有非常好的效果。

    Jun, 2021

  • IntraMix：精确标签和邻居的类内混合生成

    IntraMix 是一种针对图神经网络（GNNs）的通用框架，通过在同一类别的低质量标记数据之间应用 Mixup 生成高质量标记数据的方法，同时通过与同一类别高置信度数据连接生成的数据来建立邻居，从而解决了 GNNs 面临的两个挑战，挑战了在节点分类中 Mixup 的有限有效性的先验观念。

    May, 2024

  • 图形移植：节点显著性引导的图形混合和局部结构保护

    本文提出了一种名为 Graph Transplant 的 Mixup 类图形增广方法，该方法在数据空间中混合不规则图形以解决不规则图形的数据增广难题，并显著提升了图形分类的性能和模型校准。

    Nov, 2021

  • GDM：有限监督下的图分类的双重混合技术

    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

  • ifMixup：插值图对正则化图分类

    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

  • NodeMixup: 解决图神经网络的欠拟合问题

    图神经网络在解决半监督节点分类问题上已成为主流方法。然而，由于标记节点在图中的不均匀位置分布，标记节点只能访问到少部分未标记节点，导致了 “达不到” 问题。本研究首先通过对各种已知图进行实证研究揭示了达不到问题。然后，通过系统的实验分析展示了达不到现象导致标记节点和未标记节点之间分布对齐的不令人满意，从而严重降低了图神经网络的性能。为了解决图神经网络的达不到问题，我们提出了一种架构无关的方法，称为 NodeMixup。基本思想是：（1）通过混合标记 - 未标记节点对来增加标记节点的可达性，（2）利用图结构，通过融合节点对内部类的邻接连接来提高混合的性能增益，以及（3）使用邻居标签分布的相似性结合节点度来确定节点混合的采样权重。大量实验证明了 NodeMixup 在帮助图神经网络处理达不到问题方面的有效性。源代码可在 https://github.com/WeigangLu/NodeMixup 找到。

    Dec, 2023

  • 图卷积与混合操作的等价性

    本研究探讨了图卷积和 Mixup 技术之间的关系。研究发现，在两个条件的基础上，图卷积可以被视为一种在训练和测试阶段都应用的特殊形式的 Mixup。这两个条件分别是：1）同质重标签 - 将目标节点的标签分配给其所有邻居；2）测试时间 Mixup - 在测试时间进行特征的混合。通过数学建模证明了图卷积网络（GCN）和简化图卷积（SGC）可以表示为 Mixup 的形式，并通过实证验证了这个等价性，使用这两个条件训练 MLP 取得了可比较的性能。

    Sep, 2023

  • 无模型增强的图分类准确性提升

    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