AGMixup: 半监督节点分类的自适应图混合

Mixup是一种数据增强技术，通过在图像域中使用混合比率$\lambda$在数据点之间进行插值来增强模型泛化能力。最近，mixup的概念通过以节点为中心的插值被适配到图领域。然而，这些方法通常无法处理互联关系的复杂性，可能破坏图的自然拓扑结构并削弱节点交互。此外，当前的图mixup方法对所有mixup对采用一刀切策略，使用随机采样的$\lambda$，忽略了不同对的多样化需求。本文提出了一种用于半监督节点分类的自适应图混合(AGMixup)框架。AGMixup引入了一种子图中心的方法，将每个子图类似于欧几里得域中的图像处理，从而促进mixup与图学习的更自然融合。我们还提出了一种自适应机制，通过引导涉及子图的上下文相似性和不确定性来调节不同mixup对的混合比率$\lambda$。在七个数据集上的广泛实验证明了AGMixup在半监督节点分类基准上的优越性。源代码可在\url{https://github.com/WeigangLu/AGMixup}获取。