图增强学习
机器学习
2022-03-18 v1 人工智能
摘要
图增强学习（Graph Augmentation Learning，GAL）为处理不完整数据、噪声数据等图学习问题提供了出色的解决方案。针对社交网络分析、交通流预测等基于图的应用，已提出大量 GAL 方法。然而，这些 GAL 方法有效的内在原因仍不清楚。因此，针对特定应用场景如何选择最优图增强策略仍处于黑箱状态。学界缺乏系统、全面且经实验验证的 GAL 指南。为此，本综述从宏观（图）、中观（子图）和微观（节点/边）三个层面对 GAL 技术进行深入梳理，并详细阐述 GAL 如何提升数据质量与模型性能。我们还结合数据特定、模型特定及混合等不同应用场景，讨论了增强策略与图学习模型的聚合机制。为更好展现 GAL 的优越性，我们通过实验验证了不同 GAL 策略在不同下游任务中的有效性与适应性。最后，我们分享了关于 GAL 若干开放问题的见解，包括异构性、时空动态性、可扩展性与泛化能力。
引用
@article{arxiv.2203.09020,
title = {Graph Augmentation Learning},
author = {Shuo Yu and Huafei Huang and Minh N. Dao and Feng Xia},
journal= {arXiv preprint arXiv:2203.09020},
year = {2022}
}
备注
14 pages, 4 figures, Accepted in The First International Workshop on Graph Learning in IW3C2