GeoMix: Towards Geometry-Aware Data Augmentation

Mixup已经在缓解图像分类中有限标记数据所带来的挑战方面取得了相当大的成功。通过合成样本，通过特征和标签的插值，Mixup有效地解决了数据稀缺的问题。然而，由于图形数据的不规则性和连通性，它在图形学习任务中很少被探索。具体而言，在节点分类任务中，Mixup在为合成数据创建连接方面提出了挑战。在本文中，我们提出了一种名为Geometric Mixup（GeoMix）的简单且可解释的Mixup方法，利用原地图形编辑。它有效地利用几何信息插值特征和标签，与附近邻域的特征和标签生成合成节点，并为它们建立连接。我们进行理论分析，阐明采用几何信息进行节点Mixup的基本原理，强调我们方法设计中关键方面的局部增强的重要性。广泛的实验表明，我们的轻量级Geometric Mixup在各种标准数据集上取得了最先进的结果，这些数据集具有有限的标记数据。此外，它显着提高了底层GNN在各种具有挑战性的分布外泛化任务中的泛化能力。我们的代码可在https://github.com/WtaoZhao/geomix上获得。

GeoMix试图解决图学习任务中Mixup方法难以创建合成节点连接的问题。该方法利用几何信息插值节点特征和标签，生成合成节点并为其建立连接，以解决数据稀缺性的问题。

GeoMix是一种简单且可解释的Mixup方法，利用原地图编辑技术，有效地利用几何信息插值节点特征和标签，生成合成节点并为其建立连接。

论文进行了理论分析，阐明了利用几何信息进行节点Mixup的原理，并强调了本方法设计中局部增强的重要性。实验表明，GeoMix在多个标准数据集上取得了最先进的结果，并显著提高了底层GNN在各种具有挑战性的分布外泛化任务中的泛化能力。代码已在GitHub上开源。

最近的相关研究包括：MixHop、GraphMix、CutMix等。