BriefGPT - AI 论文速递
·
S-Mixup: 图神经网络的结构混合
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新型的混合增强方法，称为结构混合（S-Mixup），用于节点分类。该方法考虑了结构信息，在混合节点时利用图神经网络（GNN）分类器为无标签节点获取伪标签及其预测置信度，并利用从GNN训练中获得的边梯度提出了一种基于梯度的边选择策略。实验证明S-Mixup在节点分类任务中提高了GNN的鲁棒性和泛化性能，尤其是在异质情况下。
🎯
关键要点
- 提出了一种新型的混合增强方法，称为结构混合 (S-Mixup)。
- S-Mixup 在混合节点时考虑了结构信息。
- 通过图神经网络 (GNN) 分类器为无标签节点获取伪标签及其预测置信度。
- 利用从 GNN 训练中获得的边梯度，提出了一种基于梯度的边选择策略。
- S-Mixup 在真实世界基准数据集上进行了广泛实验证明其有效性。
- S-Mixup 提高了 GNN 的鲁棒性和泛化性能，特别是在异质情况下。
➡️
