基于 Gromov-Wasserstein 重心的图数据增强

图在各个领域无处不在，深度学习方法已成功应用于图分类任务。然而，构建用于训练的大型且多样化的图数据集可能成本高昂。尽管存在针对图像或数值数据等结构化数据的增强技术，但图数据的增强仍然具有挑战性。这主要是由于图数据复杂且非欧几里得的性质。在本文中，提出了一种在非欧几里得空间中操作的图增强新策略。该方法利用图极限估计，对网络序列的生成机制进行建模。计算结果证明了所提出的增强框架在提高图分类模型性能方面的有效性。此外，使用非欧几里得距离，特别是 Gromov-Wasserstein 距离，能够更好地近似图极限。该框架还提供了一种验证不同图极限估计方法的手段，特别是在真实图极限未知的现实场景中。