S-Mixup：面向图神经网络的结构化混合增强
机器学习
2023-08-17 v1 人工智能
摘要
现有将 mixup 技术应用于图的研究主要关注图分类任务，而节点分类中的研究仍待深入探索。本文提出一种用于节点分类的新型 mixup 增强方法，称为结构化混合（S-Mixup）。其核心思想是在混合节点时考虑结构信息。具体而言，S-Mixup 通过图神经网络（GNN）分类器获得图中未标记节点的伪标签及其预测置信度。这些作为类内与类间 mixup 的混合池构建准则。此外，我们利用 GNN 训练得到的边梯度，提出一种基于梯度的边选择策略，用于选择待连接到 mixup 生成节点的边。通过在真实世界基准数据集上的大量实验，我们证明了 S-Mixup 在节点分类任务上的有效性。我们观察到 S-Mixup 增强了 GNN 的鲁棒性与泛化性能，尤其在异配情形下。S-Mixup 的源代码可在 \url{https://github.com/SukwonYun/S-Mixup} 找到。
引用
@article{arxiv.2308.08097,
title = {S-Mixup: Structural Mixup for Graph Neural Networks},
author = {Junghurn Kim and Sukwon Yun and Chanyoung Park},
journal= {arXiv preprint arXiv:2308.08097},
year = {2023}
}
备注
CIKM 2023 (Short Paper)