.png){kind=icon}
返回
Virtual graph augmentation for graph neural networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03101-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）是一种旨在学习图结构数据的富有前景的学习范式，通过聚合邻近节点的信息来补充每个节点，以生成具有表现力的节点表示。尽管在各类基于图的任务中取得了巨大成功并得到广泛应用，GNNs仍面临因邻居数量不足而导致补充信息缺乏的问题，尤其是在稀疏图中的邻居匮乏情况下。即使常规的图增强方法能够提升图的多样性，但大多数基于节点或边丢弃的方法本质上会加剧邻居不足的挑战。此外，现有的图数据增强技术由于直接操作原始图，容易导致语义和标签改变的问题。为解决上述问题，我们提出了一种新颖的虚拟图增强方法用于图神经网络，命名为VGA-GNNs。具体而言，我们训练一个条件生成模型为原始图生成一个并行的虚拟图。此外，我们进一步在虚拟图上执行虚拟拓扑增强策略，创建增强的虚拟图并提升其结构多样性，该策略在执行增强操作时能保持原始图的完整性和不变性。在GNNs的训练阶段，我们能够通过从增强的虚拟图向原始图建立有向连接和消息传递，扩大原始图中节点的邻域并提供额外的补充信息。在基准图数据集上的广泛实验表明，当使用各类GNNs作为骨干网络时，所提出的方法能够显著提升性能。
Keyword:
Neural networks
Node classification
Data augmentation
Virtual graph
Structural diversity
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Data augmentation method using diffusion models for tomato leaf discrimination problem基于扩散模型的番茄叶片鉴别问题的数据增强方法.png)
IF0
PREAI
分享收藏A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multi-Modal关于图类型的知识图推理的综述: 静态，动态和多模态
OAAI
OAAI分享收藏Cox-Sage: enhancing Cox proportional hazards model with interpretable graph neural networks for cancer prognosisCox-Sage：使用可解释图神经网络增强Cox比例风险模型，用于癌症预后OAAI
OAAI分享收藏Diffusion Prior Guided Deep Model Driven Network For Infrared and Visible Image Fusion红外与可见光图像融合的扩散先验引导深度模型驱动网络
PREAI
分享收藏Fastclothgnn: optimizing message passing in graph neural networks for accelerating real-time cloth simulationFastclothgnn：优化图神经网络中的消息传递以加速实时布料模拟
IF0
PREAI
分享收藏
查看更多内容