Skip to content

LAGNN

Local Augmentation for Graph Neural Networks

  1. motivation: GNN 通过聚合邻居信息来获取信息，但是对于邻居较少的节点，GNN 可能无法充分聚合学习，目前的数据增强都是全局性的，无法针对此类问题，因此作者提出了一种局部增强策略，通过在局部邻域中生成更多样本，特别是对于具有较少邻居的节点来提升 GNN 的学习能力

  2. 主要增强方法: 拼接原始特征与生成特征 LAGNN

    • 生成额外特征：通过生成模型 CVAE 学习图中每个节点特征的连接邻居节点特征的条件分布（作者对于所有节点只训练一个 CVAE）然后利用该分布生成与对应的中心节点相关的特征向量

    • 将原特征和生成的特征的采样拼接作为新的特征 \(\bar{X}_v\) ；如此迭代 s 次得到最终的增强图

    • ELBO（evidence lower bound）最大化生成数据的对数似然，并通过KL散度项来确保近似后验分布接近先验分布 ELBO

  3. 方法评价: 作者将 LAGNN 设计为插件式的增强方法，做到了可扩展性和通用性，对于动态图和归纳式学习也都适用。