图移植：节点显著性驱动的局部结构保持图增强方法

本文主要探讨了在图分类任务中面临的一个挑战，即图数据集的不规则性，如不规则的图大小和连通性，这使得传统的数据增强技术，如Mixup，难以直接应用。为了解决这个问题，研究者提出了一个新的图混合方法，称为"图形移植"。这种方法旨在通过在数据空间中混合不规则的图形结构，实现图级别的数据增强。 图形移植的核心理念是将子结构识别为能够保持局部信息的混合单元，这对于在不同尺度的图上进行有效的处理至关重要。不同于基于混淆的增強策略，图形移植考虑到了上下文信息的重要性，通过利用节点显著性信息来选择有意义的子图，并且能够自适应地决定标签，从而避免产生噪声样本。 作者们在实验中广泛验证了图形移植在多种GNN架构以及多个图分类基准数据集上的性能，包括来自不同图形领域、规模各异的数据。结果显示，图形移植方法在图分类任务中显示出优于基础数据增强方法的性能，特别是在提高模型鲁棒性和模型校准方面，这表明它对于训练数据稀缺的图神经网络来说是一种有效的策略。 尽管许多现有图增强方法侧重于节点分类任务，而忽视了图分类的实际需求，图形移植的成功展示了其在解决实际问题中的适用性和有效性。通过结合上下文和局部结构保持，图形移植为图神经网络的训练提供了一种更智能、更具针对性的数据增强手段，有助于提升模型在复杂图数据上的泛化能力。