面向图神经网络的Metropolis-Hastings数据增强
机器学习
2022-03-29 v1
摘要
尽管图神经网络（GNNs）在各种基于图的任务上取得了令人鼓舞的结果，但其常因标签数据稀疏而泛化能力弱。数据增强是许多领域中提升模型泛化能力的常用补救手段。然而，由于数据空间的非欧几里得性质以及样本间的依赖性，在图上设计有效的增强具有挑战性。本文提出一种新颖框架Metropolis-Hastings数据增强（MH-Aug），从显式目标分布中抽取增强图以用于半监督学习。MH-Aug从该目标分布产生一串增强图，可灵活控制增强的强度与多样性。由于直接从复杂目标分布采样较为困难，我们采用Metropolis-Hastings算法获取增强样本。我们还提出了一种简单有效的利用MH-Aug生成样本进行半监督学习的策略。大量实验表明，MH-Aug能依据目标分布生成样本序列，显著提升GNNs的性能。
引用
@article{arxiv.2203.14082,
title = {Metropolis-Hastings Data Augmentation for Graph Neural Networks},
author = {Hyeonjin Park and Seunghun Lee and Sihyeon Kim and Jinyoung Park and Jisu Jeong and Kyung-Min Kim and Jung-Woo Ha and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2203.14082},
year = {2022}
}
备注
10 pages, 5 figures