Graph data augmentation with Gromow-Wasserstein Barycenters

要約

グラフはさまざまな分野で広く使われており、深層学習手法はグラフ分類タスクに適用されて成功しています。
ただし、トレーニング用に大規模で多様なグラフ データセットを構築すると、費用がかかる可能性があります。
画像や数値データなどの構造化データに対する拡張技術は存在しますが、グラフ データの拡張は依然として課題です。
これは主に、グラフ データの複雑さと非ユークリッドの性質によるものです。
この論文では、非ユークリッド空間で動作するグラフの新しい拡張戦略が提案されています。
このアプローチは、ネットワーク シーケンスの生成メカニズムをモデル化するグラフォン推定を利用します。
計算結果は、グラフ分類モデルのパフォーマンスを向上させる上で、提案された拡張フレームワークの有効性を示しています。
さらに、非ユークリッド距離、特にグロモウ-ワッサーシュタイン距離を使用すると、グラフフォンの近似がより適切になります。
このフレームワークは、特に真のグラフォンが不明な現実世界のシナリオにおいて、さまざまなグラフォン推定アプローチを検証する手段も提供します。

要約(オリジナル)

Graphs are ubiquitous in various fields, and deep learning methods have been successful applied in graph classification tasks. However, building large and diverse graph datasets for training can be expensive. While augmentation techniques exist for structured data like images or numerical data, the augmentation of graph data remains challenging. This is primarily due to the complex and non-Euclidean nature of graph data. In this paper, it has been proposed a novel augmentation strategy for graphs that operates in a non-Euclidean space. This approach leverages graphon estimation, which models the generative mechanism of networks sequences. Computational results demonstrate the effectiveness of the proposed augmentation framework in improving the performance of graph classification models. Additionally, using a non-Euclidean distance, specifically the Gromow-Wasserstein distance, results in better approximations of the graphon. This framework also provides a means to validate different graphon estimation approaches, particularly in real-world scenarios where the true graphon is unknown.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google