基于高斯混合模型增强的图神经网络泛化
机器学习
2025-06-09 v3 社会与信息网络
应用统计
机器学习
摘要
图神经网络在节点和图分类等任务中展现出巨大潜力，但往往难以泛化，特别是在面对未见或分布外数据时。当训练数据规模或多样性有限时，这些挑战更加严峻。为解决这些问题，我们引入了一个理论框架，利用Rademacher复杂度计算泛化误差的遗憾界，然后刻画数据增强的效果。该框架指导了GRATIN的设计，这是一种高效的图数据增强算法，利用了高斯混合模型逼近任意分布的能力。我们的方法不仅在泛化方面优于现有增强技术，而且提供了更优的时间复杂度，使其非常适合实际应用。
引用
@article{arxiv.2411.08638,
title = {Graph Neural Network Generalization with Gaussian Mixture Model Based Augmentation},
author = {Yassine Abbahaddou and Fragkiskos D. Malliaros and Johannes F. Lutzeyer and Amine Mohamed Aboussalah and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2411.08638},
year = {2025}
}