Aumento de Dados em Redes Neurais Gráficas: O Papel dos Grafos Sintéticos Gerados

Os grafos são cruciais para representar dados inter-relacionados e auxiliar na modelagem preditiva ao capturar relacionamentos complexos. Conquistar uma representação gráfica de alta qualidade é importante para identificar padrões vinculados, levando a melhorias nas Redes Neurais Gráficas (GNNs) para capturar melhor as estruturas de dados. No entanto, desafios como escassez de dados, altos custos de coleta e preocupações éticas limitam o progresso. Como resultado, modelos generativos e aumento de dados tornaram-se cada vez mais populares. Este estudo explora o uso de grafos gerados para aumento de dados, comparando o desempenho da combinação de grafos gerados com grafos reais e examinando o efeito de diferentes quantidades de grafos gerados em tarefas de classificação gráfica. Os experimentos mostram que equilibrar escalabilidade e qualidade requer diferentes geradores com base no tamanho do grafo. Nossos resultados introduzem uma nova abordagem para aumento de dados gráficos, garantindo rótulos consistentes e melhorando o desempenho da classificação.