IntraMix：精确标签和邻居的类内混合生成
内容提要
本研究提出了GraphMixup、ifMixup和NodeMixup等多种图数据混合增强方法，旨在提升图神经网络的泛化能力和鲁棒性。实验结果表明，这些方法在节点分类任务中显著改善了性能，尤其在处理标记节点不均匀分布时表现尤为突出。
延伸解读
图数据增强的演进脉络
从2019年的非线性mixup到2024年的NodeMixup，图数据增强方法不断演进。早期方法如GraphMix和ifMixup主要关注特征插值，而近期方法如S-Mixup和NodeMixup开始结合图结构信息。这一趋势表明，单纯的特征混合不足以应对图数据的复杂性，结构感知的混合策略正成为提升GNN性能的关键。
解决标记节点“达不到”问题
NodeMixup针对半监督节点分类中标记节点分布不均导致的“达不到”问题，通过混合标记-未标记节点对来增加标记节点的可达性。这一方法架构无关，可应用于多种GNN，其实验证明了有效性。对于实际应用中标记数据稀缺且分布偏斜的场景，NodeMixup提供了一种可行的解决方案。
结构信息在混合中的重要性
S-Mixup在混合节点时考虑结构信息，利用GNN分类器为无标签节点生成伪标签和置信度，并基于边梯度选择边。这种方法在异质图中表现突出，提高了GNN的鲁棒性和泛化性能。这表明，在图数据增强中，忽略结构信息可能限制性能提升，而结合结构信息能更好地适应复杂图结构。
Q&A
GraphMixup 是什么？
GraphMixup 是一种基于混合的框架，旨在改善图网络中的节点不平衡分类任务，使用自监督技术捕获图结构中的信息。
ifMixup 如何提高图神经网络的性能？
ifMixup 通过线性插值节点特征向量和边表示，改善 GNN 在监督图分类中的泛化能力，显著提高预测准确率。
NodeMixup 解决了什么问题？
NodeMixup 通过混合标记-未标记节点对来增加标记节点的可达性，有效解决了图神经网络的达不到问题。
S-Mixup 的创新之处是什么？
S-Mixup 考虑了结构信息，通过 GNN 分类器获取伪标签，显著提高了 GNN 的鲁棒性和泛化性能。
这些混合增强方法的实验结果如何？
实验结果表明，这些混合增强方法在节点分类任务中显著改善了性能，尤其在处理标记节点不均匀分布时表现突出。
这些方法如何应对标记节点不均匀分布的问题？
这些方法通过混合不同类别的图和节点，增加了标记节点的可达性，从而有效应对标记节点不均匀分布的问题。
