将有益噪声学习为图数据增强
机器学习
2025-05-27 v1 机器学习
摘要
尽管图对比学习（GCL）已被广泛研究，但仍面临生成有效且稳定图增强的挑战。现有方法常应用启发式增强，如随机边删除，这可能破坏重要图结构，导致GCL性能不稳定。本文提出了由正激励噪声驱动的图数据增强方法（PiNGDA），其中正激励噪声（pi-noise）通过信息论科学分析噪声的有益作用。在标准GCL与pi噪声框架之间建立桥梁，我们设计了一个高斯辅助变量，将损失函数转换为信息熵。我们证明，带有预定义增强的标准GCL等价于通过点估计估计有益噪声。根据我们的分析，PiNGDA从学习图拓扑和属性上的有益噪声开始，通过一种可训练的噪声生成器生成图增强，而非简单估计。由于生成器学习如何在图拓扑和节点属性上产生有益扰动，PiNGDA 与现有方法相比更可靠。大量实验结果验证了 PiNGDA 的有效性和稳定性。
引用
@article{arxiv.2505.19024,
title = {Learn Beneficial Noise as Graph Augmentation},
author = {Siqi Huang and Yanchen Xu and Hongyuan Zhang and Xuelong Li},
journal= {arXiv preprint arXiv:2505.19024},
year = {2025}
}