Sep, 2023

图卷积与混合操作的等价性

PDF
TL;DR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。
graph convolutionmixup techniquesgraph neural networkdata augmentationfeature representation
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

  • 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

  • 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

  • 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

  • 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

  • 全局混合：通过聚类消除歧义

    提出基于全局聚类关系的新型数据扩增方法 ——Global Mixup，其中通过将先前的一阶段扩增过程分解为两阶段，从而将生成虚拟样本的过程与标记过程分离，并根据生成样本的全局关系计算子集对生成样本的标签重新标记，从而在更大的采样空间中生成更可靠的虚拟样本。在 CNN、LSTM 和 BERT 上的五项任务的广泛实验表明，Global Mixup 明显优于现有最新技术基线。

    Jun, 2022

  • 混合池化增强基于 Mixup 的图学习在自然语言处理中的应用

    本文探讨了不同的图池化方法对基于混合数据增广方法（Manifold Mixup）的影响，并在自然语言和编程语言数据集上进行了实验，结果表明混合池化方法比标准的最大池化和最先进的图多重集变换器（GMT）池化更适合于 Mixup，具有更好的度量精度和鲁棒性。

    Oct, 2022

  • 混合层值一个图卷积：将 MLP 混合器和 GCN 统一应用于人体运动预测

    本研究开发了一种新的思路，通过将 Mixers 和 GCNs 统一起来，提出了一种 Meta-Mixing Network, 借助于一种新颖的零聚合操作，该网络能够以协作的方式捕捉结构不可知和结构敏感依赖性，不仅具有计算效率，而且还取得了最先进的性能，从而朝着真正可预测的人类运动迈出了一步。

    Apr, 2023

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018