论文题目：Data Augmentation for Graph Neural Networks 论文地址：https://arxiv.org/abs/2006.06830 数据增强广泛用于提高机器学习模型的通用性。然而，由于图复杂的非欧几里结构，目前研究图神经网络的数据增强工作相对较少，视觉和语言中常用的增强操作在图没有类似的操作。该工作是在改进半监督节点分类的背景下，研究图神经网络（GNNs）的图数据增强。作者讨论了图数据增强的实际和理论动机、考虑因素和策略。他们的工作表明，神经边缘预测器可以有效地编码类-同源结构（class-homophilic structure），以促进类内边缘和降级给定图结构中的类间边缘。作者主要介绍了GAug图数据增强框架，该框架通过边缘预测来提高基于GNN的节点分类的性能。在多个基准上进行的广泛实验表明，通过GAug进行的扩增可以提高GNN架构和数据集上的性能。

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