IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors

图神经网络（GNN）在图上表现出优秀的性能，其核心思想是聚合邻居信息并学习标签。然而，大多数图数据集中存在两个主要挑战：标签不足和邻域缺乏，导致 GNN 弱化。现有的数据增强方法旨在解决这两个问题中的一个，它们可能需要生成器的大量训练、依赖过于简单的策略或需要大量的先验知识，导致泛化能力不佳。为了同时解决这两个挑战，我们提出了一种名为 IntraMix 的优雅方法。IntraMix 创新地在同一类别的低质量标记数据之间使用 Mixup，以最小的成本生成高质量的标记数据。此外，它通过将生成的数据与同一类别的高置信度数据连接起来，建立了生成数据的邻域，从而丰富了图的邻域。IntraMix 高效地解决了图所面临的两个挑战，并挑战了 Mixup 在节点分类中的有限有效性的先前观念。IntraMix 是一个通用框架，可轻松应用于所有 GNN。广泛的实验证明了 IntraMix 在各种 GNN 和数据集上的有效性。

本论文试图解决图神经网络（GNNs）在缺乏高质量标签和邻域信息的情况下表现不佳的问题。现有的数据增强方法只能解决其中一个问题，因此需要一种方法来同时解决这两个问题。

论文提出了一种名为IntraMix的方法，它创新性地使用Mixup在同一类别的低质量标记数据之间生成高质量标记数据，并通过将其与高置信度的同一类别数据连接来建立邻域，从而丰富了图的邻域。IntraMix可被广泛应用于所有GNNs，有效地解决了图面临的两个挑战。

论文通过实验验证了IntraMix的有效性，并展示了其在各种GNNs和数据集上的适用性。此外，论文还提供了开源代码，方便其他研究人员使用。

最近的相关研究包括《MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》和《Understanding and Robustifying Differentiable Architecture Search》。