Node

在图机器学习（Graph Machine Learning）中，图数据中的节点通常带有节点的拓扑结构（即节点的邻接矩阵，表示节点与周围节点之间的连接关系）、节点的标签、节点特征等等数据信息；节点分类任务、节点预测任务、节点嵌入（node embedding）任务中也是图机器学习中常见的与节点紧密相关的任务。

节点级别的图数据增强通常涉及以下两种手段：

• 节点删除 node dropping：部分研究会采用保留节点的拓扑结构，但是将节点的特征信息置零的方式实现 node dropping；还有部分研究是让节点直接从原图中剔除出去，即删除该节点，并且删除连接该节点的边；
• 节点插入 node interpolation：在样本不平衡的数据场景或其他其他场景中，需要通过新节点的构造和插入原图以达到数据集的某些指标的优化，通常需要知道所插入位置周围的节点的标签和特征信息，以及全图的全局信息，进行节点数据的混合以构造新的图节点；