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は、グラフデータの増強技術を通じて有効性が向上するため、グラフデータを処理するための優先ツールになりました。
増強方法の進化にもかかわらず、グラフプロパティの歪みや制限された構造変化などの問題は持続します。
これは疑問につながります：より多くの不動産を保証し、構造に敏感な増強方法を開発することは可能ですか？
スペクトルレンズを介して、グラフ特性、それらの増強、およびそれらのスペクトル挙動の相互作用を調査し、低周波の固有値を変化させないようにすることで、拡張グラフを生成するときに重要な特性を大規模に保存できることを観察します。
これらの観察結果は、拡張グラフを多様化しながら不可欠なグラフ特性を保持するDP-NoiseやDP-Maskを含む、デュアルプリズム（DP）増強方法の導入を知らせます。
広範な実験は、アプローチの効率を検証し、グラフデータ増強のための新しい有望な方向を提供します。

要約(オリジナル)

Graph Neural Networks 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 observe 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 methods, including DP-Noise and DP-Mask, which retain 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