Sep, 2023

GDM：有限监督下的图分类的双重混合技术

PDF
TL;DR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。
graph neural networksgraph classificationgraph augmentationmixuplabeled graphs
发现论文，激发创造
  • 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

  • GraphMAD：使用数据驱动凸聚类的图形混合数据增强

    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

  • 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

  • S-Mixup: 图神经网络的结构混合

    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。

    Aug, 2023

  • 基于快速融合 Gromov 化的图插值

    本文提出了一种基于 Fused Gromov-Wasserstein 度量空间的 FGWMixup，旨在通过匹配图之间的节点来找到一种匹配策略，以提高图神经网络的泛化性和鲁棒性。

    Jun, 2023

  • G-Mix: 通向扁平极小值的广义 Mixup 学习框架

    深度神经网络（DNN）面临着超参数化的挑战，特别是在训练数据有限的情况下。为了增强 DNN 的泛化能力，我们提出了一种名为 Generalized-Mixup 的新学习框架，将 Mixup 和 Sharpness-Aware Minimization（SAM）的优势结合起来进行 DNN 模型训练。理论分析表明，开发的 G-Mix 框架可以增强泛化能力。此外，为了进一步优化 DNN 性能，我们引入了两种新算法：Binary G-Mix 和 Decomposed G-Mix。这些算法根据每个示例的锐度敏感性将训练数据划分为两个子集，以解决 Mixup 中 “流形入侵” 的问题。理论解释和实验结果均表明，所提出的 BG-Mix 和 DG-Mix 算法进一步提高了多个数据集和模型的模型泛化能力，实现了最先进的性能。

    Aug, 2023

  • 具有可控数据增强的图像领域外泛化

    Graph Neural Network 在解决图分类问题上表现出了极好的性能，然而，由于训练和测试数据的选择偏差，造成了分布差异的广泛存在。针对这个问题，我们提出了 OOD-GMixup 方法来联合调控度量空间中的训练分布，并且通过消除杂乱相关和生成虚拟样本来度量、控制分布偏差。实验结果表明，我们的方法在几个真实世界的图分类数据集上优于现有方法。

    Aug, 2023

  • 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

  • GraphMix: 半监督学习中 GNNs 的改进训练

    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

  • 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