GraphCrop：用于图分类的子图裁剪
社会与信息网络
2020-09-23 v1 人工智能
摘要
我们提出一种新方法，用于正则化图神经网络（GNNs）以在图分类中获得更好的泛化能力。观察到子结构的缺失不一定改变整图的类标签，我们开发了 \textbf{GraphCrop}（子图裁剪）数据增强方法，以模拟子结构缺失的真实世界噪声。原则上，GraphCrop 利用以节点为中心的策略从原始图中裁剪出连通子图，同时保持其连通性。通过为图分类保留有效的结构上下文，我们鼓励 GNNs 从全局意义上理解图结构的内容，而非依赖于少数可能并非始终存在的关键节点或边。GraphCrop 无需参数学习，且易于在现有基于 GNN 的图分类器中实现。定性地，GraphCrop 通过生成新颖且信息丰富的增强图来扩展现有训练集，这些图在多数情况下保留原始图标签。定量地，GraphCrop 在多个标准数据集上带来显著且一致的增益，从而增强流行的 GNNs 以超越基线方法。
引用
@article{arxiv.2009.10564,
title = {GraphCrop: Subgraph Cropping for Graph Classification},
author = {Yiwei Wang and Wei Wang and Yuxuan Liang and Yujun Cai and Bryan Hooi},
journal= {arXiv preprint arXiv:2009.10564},
year = {2020}
}