Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ データを処理するための推奨ツールとなっており、その有効性はグラフ データ拡張技術によって強化されています。
拡張手法の進化にも関わらず、グラフのプロパティの歪みや構造変化の制限などの問題は依然として残ります。
これは次の疑問につながります: より特性を保存し、構造に敏感な増強方法を開発することは可能でしょうか?
スペクトル レンズを通じて、グラフのプロパティ、その拡張、およびスペクトルの動作の間の相互作用を調査したところ、拡張グラフを生成するときに、低周波数の固有値を変更しないようにすると、重要なプロパティを大規模に保存できることがわかりました。
これらの観察は、DP-Noise と DP-Mask で構成される Dual-Prism (DP) 拡張手法の導入に役立ちます。この手法は、拡張グラフを多様化しながら、本質的なグラフのプロパティを適切に保持します。
広範な実験により、私たちのアプローチの効率性が検証され、グラフ データの拡張に新しく有望な方向性が提供されます。

要約(オリジナル)

Graph Neural Networks (GNNs) have become the preferred tool to process graph data, with their efficacy being boosted through graph data augmentation techniques. Despite the evolution of augmentation methods, issues like graph property distortions and restricted structural changes persist. This leads to the question: Is it possible to develop more property-conserving and structure-sensitive augmentation methods? Through a spectral lens, we investigate the interplay between graph properties, their augmentation, and their spectral behavior, and found that keeping the low-frequency eigenvalues unchanged can preserve the critical properties at a large scale when generating augmented graphs. These observations inform our introduction of the Dual-Prism (DP) augmentation method, comprising DP-Noise and DP-Mask, which adeptly retains essential graph properties while diversifying augmented graphs. Extensive experiments validate the efficiency of our approach, providing a new and promising direction for graph data augmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google