SoftEdge: Regularizing Graph Classification with Random Soft Edges笔记

本文探讨了在图神经网络中,通过引入SoftEdges方法来缓解样本碰撞问题,即通过加权边代替dropedge进行数据增强,避免因结构相似但标签不同导致的GNN性能下降。作者解释了为何传统dropedge可能导致同构图混淆,并展示了SoftEdges如何提升模型的泛化能力。
摘要由CSDN通过智能技术生成

SoftEdge: Regularizing Graph Classification with Random Soft Edges

本文提出了一种新的dropedge 的方式,不是直接丢掉边,而是对边进行加权 为之 Soft Edges。全篇都在解释为啥这个方法有用,

文章提出了样本碰撞问题(sample collision issue), 也就是非常相似结构的但是标签不同的graph,会被映射到相同embedddings 空间的问题,这个问题其实在GNN 上一直存在,特别是1-WL test 表明是不是异构但是又标签不同的graph。

下面的图表明使用dropedge 生成 augmentation 会导致得到两个在WL test 同构的图,也就是GNN分不出来,所以会得到相同的graph embeddings, 所以如果使用这样的样本作为数据增广是不合适的。

在这里插入图片描述

在这里插入图片描述
这篇文章提出了将已有的二值adjacency 变成 带权的。

在这里插入图片描述

code by pyg在这里插入图片描述

解释

在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值