在图神经网络的数据增强中利用集体结构知识
机器学习
2024-05-20 v1
摘要
图神经网络（GNN）在图表示学习方面取得了最先进的性能。消息传递神经网络通过递归聚合每个节点及其邻居的信息来学习表示，是最常用的GNN之一。然而，在此过程中，单个节点和全图的丰富结构信息常常被忽略，这限制了GNN的表达能力。各种图数据增强方法通过引入更丰富的结构知识来增强消息传递，已成为解决这一问题的主要途径，但它们通常侧重于单个结构特征，并且难以扩展到更多结构特征。在这项工作中，我们提出了一种新方法，即集体结构知识增强图神经网络（CoS-GNN），其中引入了一种新的消息传递方法，允许GNN在增强图中利用多种节点级和图级结构特征以及原始节点特征/属性。通过这样做，我们的方法在节点和图两个层面上大大改善了GNN的结构知识建模，从而显著改进了图表示。大量实验结果表明，CoS-GNN在图分类、异常检测和分布外泛化等各种图级学习任务中优于最先进的模型。
引用
@article{arxiv.2405.10633,
title = {Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks},
author = {Rongrong Ma and Guansong Pang and Ling Chen},
journal= {arXiv preprint arXiv:2405.10633},
year = {2024}
}