关键词graph data augmentation
搜索结果 - 11
- 利用集体结构知识进行图神经网络的数据增强
本篇研究提出了一种新颖的方法,即综合结构知识增强图神经网络 (CoS-GNN),通过引入新的消息传递方法,使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征,在增强的图结构中大大改善了图神经网络的结构知识建模,从而实现了显著改进 - 图数据增广和攻击中的图神经网络边扰动再思考
该研究提出了边界扰动方法的两个类别,并通过实验和理论的统一构建了边界扰动方法的工作流程。同时,引入了边界优先检测器(EPD),通过较少的时间开销实现了灵活的增强或攻击,并获得了可比或更好的性能。
- 一个训练实现两个任务的框架:使用监督对比学习的加密流量分类
在本文中,我们提出了一种名为对比学习增强时域融合编码器(CLE-TFE)的有效模型,通过使用监督对比学习增强数据包级别和流级别的表示,并对字节级流量图进行图数据增强,以捕捉字节之间的细粒度语义无关特性。我们还提出了跨级多任务学习,使用同一模 - 透过双棱镜:图数据增强在图分类中的光谱视角
通过谱镜游览,我们研究了图属性、其增强以及其谱行为之间的相互作用,并发现在生成增强图时保持低频特征值不变可以在大规模上保持关键属性。这些观察结果启发我们引入了双棱镜(DP)增强方法,包括 DP-Noise 和 DP-Mask,既保留了重要的 - 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 GMC - 在低数据约束下探究图分类技术:一项综合研究
本综述论文简要概述了关于图数据增强和小样本学习的最新研究,涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术,以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域,并进一步对其进行细分分类,同时还概述了基于规 - 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。
- 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。
- WSDMGOOD-D: 无监督图形外分布检测
本研究旨在通过无监督学习的方式,利用图像对 OOD 图像进行检测,提出了一种基于对比学习的 GOOD-D 图像对比学习框架,并使用基于层级对比学习的方法捕捉潜在的 ID 模式,能够在不使用任何 ground truth 标签的情况下准确检测 - 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。
- KDD深度图学习的数据增强:综述
本文对图数据增强技术及其在图神经网络领域中的应用进行了综述,提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用,并回顾了已有的相关文献。最后,我们指出了未来研究中的机遇和挑战。