利用图插补神经网络的高效数据增强
机器学习
2019-06-21 v1 机器学习
摘要
近年来，在标注数据远少于未标注数据的半监督场景下的数据增强受到了相当多的关注。本文描述了一种用于该任务的高效技术，其利用了我们近期提出的用于缺失数据插补的图插补神经网络（graph imputation neural network, GINN）框架。核心思想是利用有监督与无监督数据构建数据集中样本点之间的相似度图。随后，我们通过严重破坏少量节点（最高达其特征的 80%）并使用 GINN 的一种变体进行重建来扩充数据集。在多个基准数据集上，我们表明该方法相比全监督模型可获得显著提升，且能够将数据集扩充至最多 10 倍。这彰显了基于图的神经网络在样本重建与增强任务中表征结构亲和力的能力。
引用
@article{arxiv.1906.08502,
title = {Efficient data augmentation using graph imputation neural networks},
author = {Indro Spinelli and Simone Scardapane and Michele Scarpiniti and Aurelio Uncini},
journal= {arXiv preprint arXiv:1906.08502},
year = {2019}
}
备注
Presented at the 2019 Italian Workshop on Neural Networks (WIRN'19)