NodeMixup：解决图神经网络的欠触及问题
机器学习
2023-12-22 v2 人工智能
摘要
图神经网络（GNN）已成为解决半监督节点分类问题的主流方法。然而，由于图中标记节点的位置分布不均，标记节点只能被一小部分未标记节点访问，导致了欠触及问题。在本研究中，我们首先通过对各种知名图进行实证调查揭示了欠触及问题。然后，我们通过系统的实验分析证明，欠触及导致标记节点与未标记节点之间的分布对齐不理想，显著降低了 GNN 的性能。为了解决 GNN 的欠触及问题，我们提出了一种与架构无关的方法，称为 NodeMixup。其基本思想是：（1）通过标记-未标记对混合增加标记节点的可达性；（2）通过融合类内节点对的邻居连接来利用图结构，以提高混合的性能增益；（3）利用结合节点度的邻居标签分布相似性来确定节点混合的采样权重。大量实验证明了 NodeMixup 在协助 GNN 处理欠触及问题方面的有效性。源代码可在 \url{https://github.com/WeigangLu/NodeMixup} 获取。
引用
@article{arxiv.2312.13032,
title = {NodeMixup: Tackling Under-Reaching for Graph Neural Networks},
author = {Weigang Lu and Ziyu Guan and Wei Zhao and Yaming Yang and Long Jin},
journal= {arXiv preprint arXiv:2312.13032},
year = {2023}
}
备注
Accepted by AAAI-24