.png){kind=icon}
返回
Graph data augmentation using multi-label mixup
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02480-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，图学习随着针对图数据的深度网络的发展取得了令人瞩目的进展。然而，与图像、文本或语音不同，图数据集通常规模较小，导致深度网络训练因过拟合而失败，并限制了训练网络的泛化能力。此外，收集大型图数据集成本高昂且需要大量人力，有时还需要专业知识，因此在许多场景下变得不可能。为解决此问题，数据增强是一种广泛采用的解决方案，通过将变换应用于原始数据以生成更多样化的样本来扩展训练集。然而，这种方法对图数据的效果不佳，因为图变换操作可能导致图标签意外改变，从而向数据中引入更多噪声。本文提出了一种新颖的图数据增强方法，通过以下两种方式处理训练数据不足的问题：1）将原始的多类图分类问题转化为更困难的多标签分类问题，从而防止当数据样本过于简单时网络过拟合；2）应用多标签Mixup来多样化训练样本，同时避免生成带有错误标签的图。在基准数据集上的实验表明，与现有的图分类问题中的图增强技术相比，我们提出的方法具有显著改进。
Keyword:
Graph Data Augmentation
Mixup
Graph-level Classification
Graph Neural Network
期刊
IF:
3.1
论文数:
575
被引数:
5.2K
机构
引用论文
NodeAug: Semi-Supervised Node Classification with Data AugmentationNodeAug: 具有数据增强的半监督节点分类.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏Graphmad: Graph Mixup for Data Augmentation Using Data-Driven Convex ClusteringGraphmad: 基于数据驱动凸聚类的图混合数据增强ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
查看更多内容