Core Concepts
Eine neuartige Strategie zur Erweiterung von Graphdaten, die auf der Schätzung von Graphonen basiert und die Leistung von Graphklassifizierungsmodellen verbessert.
Abstract
In diesem Artikel wird eine neue Methode zur Erweiterung von Graphdaten vorgestellt, die auf der Schätzung von Graphonen basiert. Graphen sind in vielen Bereichen allgegenwärtig, und Deep-Learning-Methoden haben sich erfolgreich auf Graphklassifizierungsaufgaben angewendet. Der Aufbau großer und vielfältiger Graphdatensätze für das Training kann jedoch kostspielig sein. Während es für strukturierte Daten wie Bilder oder numerische Daten Erweiterungstechniken gibt, bleibt die Erweiterung von Graphdaten eine Herausforderung, hauptsächlich aufgrund der komplexen und nicht-euklidischen Natur von Graphdaten.
Der Ansatz in diesem Artikel nutzt die Schätzung von Graphonen, um die generative Mechanik von Netzwerksequenzen zu modellieren. Die Ergebnisse zeigen, dass die vorgeschlagene Erweiterungsmethode die Leistung von Graphklassifizierungsmodellen verbessert. Darüber hinaus führt die Verwendung eines nicht-euklidischen Abstands, insbesondere des Gromow-Wasserstein-Abstands, zu besseren Approximationen des Graphons. Dieser Rahmen bietet auch eine Möglichkeit, verschiedene Ansätze zur Graphonschätzung zu validieren, insbesondere in Realweltszenarien, in denen das wahre Graphon unbekannt ist.
Stats
Die Verwendung von Graphonen zur Datenerweiterung führt zu einer Verbesserung der Klassifizierungsgenauigkeit um bis zu 6,1% auf dem ENZYMES-Datensatz.
Quotes
"Graphen sind ubiquitär in verschiedenen Bereichen, und Deep-Learning-Methoden haben sich erfolgreich auf Graphklassifizierungsaufgaben angewendet."
"Der Aufbau großer und vielfältiger Graphdatensätze für das Training kann jedoch kostspielig sein."
"Der Ansatz in diesem Artikel nutzt die Schätzung von Graphonen, um die generative Mechanik von Netzwerksequenzen zu modellieren."