面向精确图分类的模型无关增强方法
机器学习
2022-02-22 v1 社会与信息网络
摘要
给定一个图数据集，我们如何对其进行增强以实现精确的图分类？图增强是提升基于图的任务性能的重要策略，并已广泛用于分析网络和社交图。然而，以往的图增强工作要么 a) 在增强过程中涉及目标模型，从而丧失对其他任务的泛化能力，要么 b) 依赖简单的启发式方法导致不可靠的结果。在本工作中，我们提出了有效增强的五个期望性质。然后，我们提出 NodeSam（节点拆分与合并）和 SubMix（子图混合）两种模型无关的图增强方法，它们以不同的动机满足了所有期望性质。NodeSam 对图结构进行均衡改变以最小化语义变化的风险，而 SubMix 混合多个图的随机子图以创建结合不同类别证据的丰富软标签。我们在社交网络和分子图上的实验表明，NodeSam 和 SubMix 在图分类中优于现有方法。
引用
@article{arxiv.2202.10107,
title = {Model-Agnostic Augmentation for Accurate Graph Classification},
author = {Jaemin Yoo and Sooyeon Shim and U Kang},
journal= {arXiv preprint arXiv:2202.10107},
year = {2022}
}
备注
Accepted to The Web Conference (WWW) 2022