Skip to content

Graph Transplant

Node Saliency-Guided Graph Mixup with Local Structure Preservation

  1. Motivation

  2. 为了解决图数据的大小不规则，结构不一样等性质导致难以Mixup的问题，作者提出了在图数据上的mixup

  3. 大部分mixup方法针对图节点分类任务，难以用到图分类任务，因此作者想提出针对图分类的mixup

  4. 主要增强方法：根据节点显著性来提取子图，然后进行图之间的子图替换，其中新的标签通过显著性混合得到 method

    • 建模过程：首先通过节点对特征的梯度计算节点显著性；之后按照节点显著性高低从源图抽取显著性高的k-hop子图，同样的从目标图剔除显著性高的k-hop子图，之后把源图抽取的那部分移植进目标图，移植过程中的新边通过边预测手段采样建立；新图的label通过根据前面计算的显著性按比例 mixing 标签y 得到

    • loss：最小化目标图（GNN预测）和混合图（图移植后的GNN预测）的loss loss

  5. 实验

  6. 为了验证该方法在不同数据集上表现都很好，作者测试了8个不同的数据集进行图分类对比

  7. 消融实验：该模型的4部分：子图节点重要性，比较选取k-hop节点的子图，边预测，label mixing

  8. 为了验证该方法提升GNNs鲁棒性，作者采用GraphArgMax破坏图结构，之后比较不同模型在受到攻击后的准确率

  9. 方法评价：作者通过节点显著性来实现子图的提取替换，实现了图分类任务的 mixup