Automated Data Augmentations for Graph Classification

要約

データ拡張は、学習機械の不変性を改善するのに効果的です。
データ拡張の主な課題は、ラベルを保持するデータ変換を設計することにあると主張します。
これは、画像の場合は比較的簡単ですが、グラフの場合ははるかに困難です。
この作業では、グラフ分類のためのラベル不変の拡張を計算することを目的とした新しい自動データ拡張方法である GraphAug を提案します。
GraphAug は、既存の研究のように均一な変換を使用する代わりに、自動拡張モデルを使用して、グラフの重要なラベル関連情報が損なわれるのを回避し、ほとんどの場合、ラベル不変の拡張を生成します。
ラベル不変性を確保するために、強化学習に基づくトレーニング方法を開発して、推定されたラベル不変性確率を最大化します。
実験は、GraphAug がさまざまなグラフ分類タスクで以前のグラフ拡張メソッドよりも優れていることを示しています。

要約(オリジナル)

Data augmentations are effective in improving the invariance of learning machines. We argue that the core challenge of data augmentations lies in designing data transformations that preserve labels. This is relatively straightforward for images, but much more challenging for graphs. In this work, we propose GraphAug, a novel automated data augmentation method aiming at computing label-invariant augmentations for graph classification. Instead of using uniform transformations as in existing studies, GraphAug uses an automated augmentation model to avoid compromising critical label-related information of the graph, thereby producing label-invariant augmentations at most times. To ensure label-invariance, we develop a training method based on reinforcement learning to maximize an estimated label-invariance probability. Experiments show that GraphAug outperforms previous graph augmentation methods on various graph classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google