ifMixup：插值图对以正则化图分类

我们提出了一种简单而有效的基于插值的正则化技术，旨在提高图神经网络（GNNs）在监督图分类上的泛化能力。我们利用 Mixup 这一用于视觉领域的有效正则化器，其中随机样本对及其标签被插值以生成用于训练的合成图像。与具有网格状坐标的图像不同，图具有任意结构和拓扑，对任何改变图语义含义的修改都非常敏感。这给类 Mixup 正则化方案带来了两个未解问题：我们能直接混合一对图输入吗？如果能，这种混合策略对 GNNs 学习的正则化效果如何？为回答这两个问题，我们提出了 ifMixup，它首先添加虚拟节点使两个图具有相同的输入大小，然后同时对这两个图对齐的节点特征向量和对齐的边表示进行线性插值。我们通过实验证明，这种简单的混合模式能有效正则化分类学习，其预测精度优于流行的图增强方法和 GNN 方法。