论文解读（GLA）《Label-invariant Augmentation for Semi-Supervised Graph Classification》

🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

论文信息

论文标题：Label-invariant Augmentation for Semi-Supervised Graph Classification论文作者：Han Yue, Chunhui Zhang, Chuxu Zhang, Hongfu Liu论文来源：2022，NeurIPS论文地址：download论文代码：download

1 Introduction

我们提出了一种图对比学习的标签不变增强策略，该策略涉及到下游任务中的标签来指导对比增强。值得注意的是，我们不生成任何图形数据。相反，我们在训练阶段直接生成标签一致的表示作为增广图。

2 Methodology

2.1 Motivation

数据增强在神经网络训练中起着重要的作用。它不仅提高了学习表示的鲁棒性，而且为训练提供了丰富的数据。

例子：（使用 505050% 的标签做监督信息。数据增强：node dropping, edge perturbation, attribute masking, subgraph sampling）

显然有些数据增强策略（或组合）对于模型训练又负面影响。本文进一步使用 MUTAG 中的 100100100% 标签训练模型，然后以每种数据增强抽样概率 0.20.20.2 选择数据增强图，发现 80% 的数据增强图和原始图标签一致，约 202020% 的数据增强图和原始图标签不一致。

2.2 Label-invariant Augmentation

整体框架：