Dec, 2023
NodeMixup: 解决图神经网络的欠拟合问题
NodeMixup: Tackling Under-Reaching for Graph Neural Networks
TL;DR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。