AugWard：面向精确图分类的增强感知表示学习
机器学习
2025-03-28 v1
摘要
如何准确分类图？图分类是数据挖掘中的一项关键任务，应用于社交网络分析、Web 分析、药物发现和分子性质预测等领域。图神经网络在图分类中取得了最先进的性能，但它们始终面临过拟合问题。为缓解过拟合，研究者引入了多种利用图增强的表示学习方法。然而，现有方法对图增强的使用较为简单，丢失了增强引入的差异性，限制了表示的表达能力。本文提出 AugWard（Augmentation-Aware Training with Graph Distance and Consistency Regularization），一种新颖的图表示学习框架，该框架仔细考虑图增强所引入的多样性。AugWard 采用增强感知训练来预测增强图与其原始图之间的图距离，在特征和结构两个层面将表示差异直接与图距离对齐。此外，AugWard 使用一致性正则化来促使分类器处理更丰富的表示。实验结果表明，AugWard 在监督、半监督图分类和迁移学习中均取得了最先进的性能。
引用
@article{arxiv.2503.21105,
title = {AugWard: Augmentation-Aware Representation Learning for Accurate Graph Classification},
author = {Minjun Kim and Jaehyeon Choi and SeungJoo Lee and Jinhong Jung and U Kang},
journal= {arXiv preprint arXiv:2503.21105},
year = {2025}
}
备注
Accepted to PAKDD 2025 (Oral Presentation)