面向半监督图分类的标签不变增强
计算机视觉与模式识别
2022-05-23 v1 人工智能
机器学习
摘要
近年来，基于对比的增强方法在计算机视觉领域掀起了新的高潮，其中旋转、裁剪和翻转等操作结合专用算法，显著提升了模型的泛化能力与鲁棒性。顺应这一趋势，一些开创性尝试将类似思想应用于图数据。然而，与图像不同，设计合理的增强操作而不改变图的本质要困难得多。尽管令人振奋，当前的图对比学习并未取得如视觉对比学习般理想的效果。我们推测当前图对比学习的性能可能受限于标签不变增强假设的违背。有鉴于此，我们提出一种面向图结构数据的标签不变增强以应对该挑战。不同于节点/边修改与子图提取，我们在表示空间中进行增强，并在最困难的方向上生成增强样本，同时保持增强数据的标签与原始样本一致。在半监督场景下，我们证明了所提方法在八个基准图结构数据上优于经典的基于图神经网络的方法与近期的图对比学习，并通过若干深入实验进一步从多个方面探究标签不变增强。
引用
@article{arxiv.2205.09802,
title = {Label-invariant Augmentation for Semi-Supervised Graph Classification},
author = {Han Yue and Chunhui Zhang and Chuxu Zhang and Hongfu Liu},
journal= {arXiv preprint arXiv:2205.09802},
year = {2022}
}