Aumento de datos de grafos con Barycentros de Gromow-Wasserstein

Los grafos son ubicuos en varios campos, y los métodos de aprendizaje profundo han sido aplicados con éxito en tareas de clasificación de grafos. Sin embargo, construir conjuntos de datos de grafos grandes y diversos para el entrenamiento puede ser costoso. Aunque existen técnicas de aumento para datos estructurados como imágenes o datos numéricos, el aumento de datos de grafos sigue siendo un desafío. Esto se debe principalmente a la naturaleza compleja y no euclidiana de los datos de grafos. En este artículo, se propone una nueva estrategia de aumento para grafos que opera en un espacio no euclidiano. Este enfoque aprovecha la estimación de graphon, que modela el mecanismo generativo de las secuencias de redes. Los resultados computacionales demuestran la efectividad del marco de aumento propuesto en la mejora del rendimiento de los modelos de clasificación de grafos. Además, utilizar una distancia no euclidiana, específicamente la distancia de Gromow-Wasserstein, resulta en mejores aproximaciones del graphon. Este marco también proporciona un medio para validar diferentes enfoques de estimación de graphon, particularmente en escenarios del mundo real donde el verdadero graphon es desconocido.