该研究提出了一种名为DemoGraph的上下文驱动图数据增强方法，旨在解决图数据稀缺和噪声问题。该方法利用大型语言模型生成知识图谱，在电子健康记录等任务中显著提升了预测性能和可解释性。

该文综述图数据增强与图对比学习研究，涵盖基于对称拉普拉斯特征值的图裁剪增强、全局随机游走子图对齐、频谱扩增拓扑扩充、GASSER频谱定向扰动、不完全幂迭代光谱增强及GAug框架，并总结图增强分类法、去相关架构与双通道筛选器，以提升泛化性、鲁棒性与节点分类性能。

本文综述图对比学习（GraphCL）及图数据增强研究。GraphCL框架通过图增强实现无监督表示学习，具有良好泛化性、可迁移性和鲁棒性。后续工作提出任务感知增强、基于节点中心性与属性的自适应增强、对抗性增强、GAug框架、生成对抗对比网络GACN、超图对比学习HyperGCL、少样本异常检测FMGAD、可学习增强器MEGA及半监督异质图方法HG-MDA，均在节点分类等任务上优于基线。