本文是来自莱斯大学的Xia Hu教授和佐治亚大学的Ninghao Liu教授团队联合发表在ICML 2022上的文章"G-Mixup: Graph Data Augmentation for Graph Classification".图分类任务需要大量的标签数据来训练模型，但目前一些数据集仍存在数据量过少的问题，这可能使得模型的泛化能力低、鲁棒性较差。本文提出了一种针对图分类任务的数据增强方法G-Mixup，通过混合不同类别的图的生成器（即graphon）来生成新图，增大训练数据量，从而提高模型的泛化性和鲁棒性。

论文链接：

https://arxiv.org/pdf/2202.07179.pdf

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除