摘要
数据增强已被广泛用于提升机器学习模型的泛化能力。然而，针对图结构数据的增强方法研究相对较少。这主要归因于图数据复杂的非欧几里得结构，限制了可执行的变换操作。在视觉和自然语言处理领域常用的增强手段，在图数据中并无直接对应形式。本文研究了图神经网络（GNNs）在半监督节点分类任务中图数据增强的方法，探讨了其在实践与理论层面的动机、考量因素及策略。研究发现，神经边预测器能够有效捕捉类别同质性结构，从而增强同类节点间的连接，削弱异类节点间的连接。本文的核心贡献是提出了GAug图数据增强框架，该框架基于上述发现，通过边预测机制实现图结构的增强，进而提升基于GNN的节点分类性能。在多个基准数据集上的大量实验表明，GAug所实现的数据增强策略能够有效提升多种GNN架构在不同数据集上的表现。