IntraMix：面向精确标签与邻居的类内 Mixup 生成
机器学习
2024-11-04 v2 人工智能
社会与信息网络
摘要
图神经网络（GNN）在各种任务中表现出色，其核心思想是从数据标签中学习并聚合节点邻域内的消息。然而，图中常见的挑战有两方面：缺乏精确（高质量）标签以及节点邻居有限，导致 GNN 性能减弱。现有的图增强方法通常只解决其中一个挑战，往往增加训练成本或依赖过于简化或知识密集的策略，限制了其泛化能力。为了以泛化的方式同时解决图面临的这两个挑战，我们提出了一种优雅的方法 IntraMix。考虑到原始 Mixup 与图复杂拓扑的不兼容性，IntraMix 创新地在同类的不准确标记数据间应用 Mixup，以最小成本生成高质量标记数据。此外，它寻找以高置信度聚类到与生成数据相同组的数据作为其邻居，从而丰富图的邻域。IntraMix 高效解决了图面临的这两个问题，并挑战了先前关于 Mixup 在节点分类中有效性有限的观念。IntraMix 是一种理论严谨的即插即用方法，可轻松应用于所有 GNN。大量实验证明了 IntraMix 在各种 GNN 和数据集上的有效性。我们的代码可在 https://github.com/Zhengsh123/IntraMix 获取。
引用
@article{arxiv.2405.00957,
title = {IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors},
author = {Shenghe Zheng and Hongzhi Wang and Xianglong Liu},
journal= {arXiv preprint arXiv:2405.00957},
year = {2024}
}
备注
Accepted by NeurIPS2024