Datenaugmentation in Graph Neural Networks: Die Rolle von generierten synthetischen Graphen

Graphen sind entscheidend für die Darstellung vernetzter Daten und die Unterstützung von prädiktiver Modellierung, indem sie komplexe Beziehungen erfassen. Eine qualitativ hochwertige Graphdarstellung ist wichtig, um verknüpfte Muster zu identifizieren, was zu Verbesserungen in Graph Neural Networks (GNNs) führt, um Datenstrukturen besser zu erfassen. Herausforderungen wie Datenknappheit, hohe Erhebungskosten und ethische Bedenken schränken den Fortschritt ein. Infolgedessen haben generative Modelle und Datenaugmentation an Beliebtheit gewonnen. Diese Studie untersucht die Verwendung generierter Graphen zur Datenaugmentation, vergleicht die Leistung der Kombination von generierten Graphen mit realen Graphen und prüft den Einfluss verschiedener Mengen generierter Graphen auf Graphklassifikationsaufgaben. Die Experimente zeigen, dass das Gleichgewicht zwischen Skalierbarkeit und Qualität unterschiedliche Generatoren basierend auf der Graphgröße erfordert. Unsere Ergebnisse führen zu einem neuen Ansatz zur Graphdatenaugmentation, der konsistente Labels gewährleistet und die Klassifikationsleistung verbessert.