图机器学习——5.9 图神经网络：图的增广

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。

这种图增强的方法分为两种类型:

• 图特征增强；
• 图结构增强。

需要图增强的原因有如下几点：

• 输入图的节点可能比较缺乏特征；
• 图结构可能过于稀疏，从而没有足够的信息传递；
• 图结构可能过于稠密，进而导致信息传递出现冗余；
• 图可能过大，使得一整个图结构没办法直接放入GPU中进行训练。

针对上面几点，分别针对性地给出相应的方法。

---

① 缺乏特征

总体而言，针对这种情况，直接使用特征增强（feature augmentation）。但具体而言，需要使用特征增强的情况又分为两类：a. 完全没有节点特征信息；b. 一些图的结构难以直接被GNN学习。

a. 针对完全没有节点特征信息的情形（只有一个邻接矩阵的信息），可以用一个常数值作为每个节点的特征；或者使用每个节点的一个独立编码作为节点对应的特征，而后再转为 One-hot 编码。两种方法的示意图如下：

两种方法的优缺点分别如下：

b. 有些结构难以被GNN学习，例如下图所示的循环结构：

在GNN的消息传递机制中，这种循环结构会变成这种无穷长度的图形式，

这样就会使得GNN的训练失效。在实际的训练中，高效的训练图形式是下述这种二分树的形式：