一种保持图熵的图数据增强策略
机器学习
2022-05-20 v2 人工智能
摘要
Kipf 和 Welling 提出的图卷积网络（GCN）是一种有效的半监督学习模型，但面临过平滑的障碍，这会削弱 GCN 的表示能力。近来一些工作提出通过随机扰动图拓扑或特征矩阵来生成数据增强作为训练输入，以应对上述局限。然而，这些操作不可避免地破坏信息结构的完整性，并不得不牺牲特征流形的平滑性。在本文中，我们首先引入一种新颖的图熵定义作为定量评估数据流形平滑性的度量，然后指出该图熵受基于三角模体的信息结构控制。考虑到图熵的保持，我们提出一种有效策略来生成随机扰动的训练数据，同时保持图拓扑与图熵。我们在真实世界数据集上进行了大量实验，结果验证了所提方法在提升半监督节点分类精度方面相对于大量基线的有效性。此外，我们提出的方法能显著增强 GCN 训练过程的鲁棒性。
引用
@article{arxiv.2107.06048,
title = {A Graph Data Augmentation Strategy with Entropy Preservation},
author = {Xue Liu and Dan Sun and Wei Wei},
journal= {arXiv preprint arXiv:2107.06048},
year = {2022}
}