GraphMAD：基于数据驱动凸聚类的图数据增强混合方法
机器学习
2022-10-31 v1 人工智能
摘要
我们提出了一种新颖的用于图数据增强的数据驱动非线性混合（mixup）机制，并给出了样本对及其标签的不同混合函数。Mixup 是一种通过对数据样本对及其标签进行线性插值来创建新训练数据的数据增强方法。图数据的 mixup 具有挑战性，因为对可能不同大小的图进行插值是一个不适定操作。因此，图 mixup 的一种有前景的方法是首先将图投影到共同的潜在特征空间，然后在该潜在空间中探索线性和非线性混合策略。在此背景下，我们提议：（i）将图投影到称为 graphon 的连续随机图模型的潜在空间，（ii）在该潜在空间中利用凸聚类生成非线性数据驱动混合函数，以及（iii）研究不同混合函数对标签和数据样本的用途。我们在基准数据集上评估了图数据增强性能，并证明非线性数据驱动混合函数可显著改善图分类。
引用
@article{arxiv.2210.15721,
title = {GraphMAD: Graph Mixup for Data Augmentation using Data-Driven Convex Clustering},
author = {Madeline Navarro and Santiago Segarra},
journal= {arXiv preprint arXiv:2210.15721},
year = {2022}
}
备注
5 pages, 2 figures, 2 tables, submitted to ICASSP 2023