通过特征与超平面扰动缓解图神经网络中的过拟合
机器学习
2025-01-17 v8 人工智能
摘要
图神经网络（GNN）常用于半监督学习场景。先前的研究主要集中于寻找合适的图滤波器（例如聚合方法），以在同配图和异配图上均表现良好。虽然这些方法有效，但它们仍可能受到节点特征稀疏性的影响，即初始数据包含很少的非零元素。这可能导致第一个投影矩阵的某些维度出现过拟合，因为训练样本可能无法覆盖图滤波器（超平面）的整个范围。为了解决这个问题，我们提出了一种新颖的数据增强策略。具体而言，通过翻转初始特征和超平面，我们为训练创造了额外空间，从而使得可学习参数的更新更精确，并提高了推理过程中对未见特征的鲁棒性。据我们所知，这是首次尝试缓解由初始特征引起的过拟合。在真实世界数据集上的大量实验表明，我们提出的技术将节点分类准确率相对提高了高达46.5%。
引用
@article{arxiv.2211.15081,
title = {Mitigating Overfitting in Graph Neural Networks via Feature and Hyperplane Perturbation},
author = {Yoonhyuk Choi and Jiho Choi and Taewook Ko and Chong-Kwon Kim},
journal= {arXiv preprint arXiv:2211.15081},
year = {2025}
}