透过双重棱镜：图分类中图数据增强的谱视角
机器学习
2025-01-30 v3
摘要
图神经网络已成为处理图数据的首选工具，其效能通过图数据增强技术得到了提升。尽管增强方法不断演进，但图属性失真和结构变化受限等问题依然存在。这引出了一个问题：是否可能开发出更多保持属性且对结构敏感的增强方法？通过谱视角，我们研究了图属性、其增强及其谱行为之间的相互作用，并观察到在生成增强图时保持低频特征值不变可以在大规模上保留关键属性。这些观察结果促成了我们提出双重棱镜（Dual-Prism, DP）增强方法，包括 DP-Noise 和 DP-Mask，它们在保留基本图属性的同时实现了增强图的多样化。广泛的实验验证了我们方法的有效性，为图数据增强提供了一个新的且有前景的方向。
引用
@article{arxiv.2401.09953,
title = {Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification},
author = {Yutong Xia and Runpeng Yu and Yuxuan Liang and Xavier Bresson and Xinchao Wang and Roger Zimmermann},
journal= {arXiv preprint arXiv:2401.09953},
year = {2025}
}
备注
Accepted by AAAI'25