鲁棒优化作为大规模图数据的增强方法

数据增强通过扩充训练集，有助于神经网络提升泛化能力，但如何有效增强图数据以提升图神经网络（GNN）的性能，仍是当前尚未解决的关键问题。现有大多数图正则化方法主要通过增删边来调整图的拓扑结构，而本文提出一种新方法：通过增强节点特征来提升模型性能。我们提出了FLAG（Free Large-scale Adversarial Augmentation on Graphs），该方法在训练过程中基于梯度生成对抗性扰动，迭代地对节点特征进行增强。通过使模型对输入数据的微小波动保持不变性，该方法显著提升了模型在分布外样本上的泛化能力，并在测试阶段有效增强了模型性能。FLAG是一种通用的图数据增强方法，适用于节点分类、链接预测和图分类等多种任务。该方法具有高度的灵活性与可扩展性，可与任意GNN主干网络结合，并适用于大规模数据集。通过大量实验与消融研究，我们验证了该方法的有效性与稳定性。此外，我们还提供了直观的观察结果，以帮助深入理解该方法的工作机制。