面向图卷积网络半监督分类的数据增强
机器学习
2021-06-17 v1 社会与信息网络
摘要
数据增强旨在从原始数据生成新的合成特征，从而识别更好的数据表示并提升下游任务的性能与泛化能力。然而，基于图的模型的数据增强仍是一个挑战性问题，因为图数据比传统数据更复杂，其由具有不同性质的两类特征组成：图拓扑与节点属性。本文中，我们在提升半监督节点分类的节点嵌入这一背景下，研究图卷积网络（GCN）的图数据增强问题。具体而言，我们对原始特征进行基于余弦相似度的交叉操作以创建新图特征，包括新节点属性与新图拓扑，并将它们组合作为特定 GCN 的新成对输入。随后，我们提出一个注意力集成模型，将这些 GCN 编码的隐节点嵌入加权求和得到最终节点嵌入。我们还在训练时对这些隐节点嵌入施加差异约束，以确保从不同的特征中捕获非冗余信息。在五个真实世界数据集上的实验结果表明，相较原始 GCN 模型，我们的方法以明显幅度（+2.5% - +84.2%）提升了分类准确率。
引用
@article{arxiv.2106.08848,
title = {Data Augmentation for Graph Convolutional Network on Semi-Supervised Classification},
author = {Zhengzheng Tang and Ziyue Qiao and Xuehai Hong and Yang Wang and Fayaz Ali Dharejo and Yuanchun Zhou and Yi Du},
journal= {arXiv preprint arXiv:2106.08848},
year = {2021}
}
备注
16 pages, 6 figures,APWeb-WAIM 2021: The 5th APWeb-WAIM International Joint Conference on Web and Big Data