近年来，图表示学习在遭遇低质量数据问题的同时取得了显著的成功。数据增强作为计算机视觉中提高数据质量的成熟技术，在图领域也受到了越来越多的关注。为了促进这一新兴研究方向的发展，全面回顾和总结了现有的图数据增强(GDAug)技术。

图片

首先总结了各种可行的分类法，然后基于细粒度图元素对现有的GDAug研究进行了分类。此外，针对每类GDAug技术，给出了形式化的一般定义，讨论了技术细节，并给出了示意图。此外，本文还总结了通用的性能指标和具体的设计指标，以构建GDAug评价体系。最后，从数据和模型两个层面总结了GDAug的应用以及未来的发展方向。

论文链接：https://arxiv.org/pdf/2212.09970.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