Aumento de Dados Eficiente e Consciente da Topologia para Redes Neurais Gráficas de Alto Grau

Nos últimos anos, as redes neurais gráficas (GNNs) surgiram como uma ferramenta potente para aprender em dados estruturados em grafos e tiveram sucessos frutíferos em variados campos. A maioria das GNNs segue o paradigma de passagem de mensagem, onde representações de cada nó são aprendidas por meio da agregação recursiva das características de seus vizinhos. No entanto, esse mecanismo traz sérios problemas de super-suavização e eficiência em grafos de alto grau (HDGs), nos quais a maioria dos nós possui dezenas (ou até centenas) de vizinhos, como redes sociais, grafos de transação, redes de energia, etc. Além disso, esses grafos geralmente abrangem semânticas de estrutura ricas e complexas, que são difíceis de capturar apenas por meio de agregações de características nas GNNs. Motivados pelas limitações acima, propomos o TADA, um framework de aumento de dados eficiente e eficaz, montado na frente, para GNNs em HDGs. Nos bastidores, o TADA inclui dois módulos principais: (i) expansão de características com incorporação de estrutura, e (ii) esparsa de gráfico consciente de topologia e atributos. O primeiro obtém características de nós aumentadas e capacidade de modelo aprimorada, codificando a estrutura do gráfico em incorporações de estrutura de alta qualidade com nosso método de esboço altamente eficiente. Além disso, ao explorar características relevantes para a tarefa extraídas das estruturas e atributos dos gráficos, o segundo módulo permite a identificação precisa e a redução de numerosas bordas redundantes/ruidosas do gráfico de entrada, aliviando assim a super-suavização e facilitando agregações de características mais rápidas em HDGs. Empiricamente, melhora consideravelmente o desempenho preditivo dos modelos GNNs tradicionais em 8 HDGs homofílicos/heterofílicos reais em termos de classificação de nós, enquanto alcança processos de treinamento e inferência eficientes.