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

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

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

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

提出一种综合的混合方法和综合解决方案，针对图像分类任务中的类内混合、类间可分离性和类内内聚性进行增强，实验结果表明，该方法相比于现有方法以及类似方法在分类准确性上具有显著提升。

Mar, 2024

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

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

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

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