Enhancing GNN learning with node augmentation

Marrium, Maria

doi:10.1016/j.neunet.2026.109228

Enhancing GNN learning with node augmentation

2026-09-29

0

PRE

AI

DOI：10.1016/j.neunet.2026.109228

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在众多应用中取得了显著成功。然而，当在有限或低多样性的图数据集上进行训练时，其性能常因过拟合和泛化能力差而受影响。图数据增强已被探索为解决方案，但现有方法大多依赖静态变换且不增加训练样本数量。为解决此局限性，我们提出基于节点的增强（NAug），一种通过合成新数据样本扩充训练集的新框架。NAug引入两个关键组件：增强节点特征生成器和链接放置预测器，共同训练以生成与局部图上下文在语义和结构上保持一致的节点特征和边。与先前方法不同，NAug采用基于学习的方法进行生成，并支持多种下游图学习任务。我们在涵盖节点分类、链接预测和图分类的十一个基准数据集上评估了NAug。实验结果表明，NAug在一致优于当前最先进的增强方法的同时，还提升了模型在机器学习安全度量（包括校准、噪声鲁棒性、一致性及对抗攻击鲁棒性）上的性能。这些发现突显了NAug作为GNN通用增强框架的有效性和多功能性。代码可从https://github.com/MariaMarrium/NAug获取。

Keyword:

Graph neural networks

Data augmentation

Node augmentation

Node classification

Link prediction

Graph classification

Enhancing GNN learning with node augmentation

摘要

期刊

机构

引用论文