一种基于傅里叶图谱感知的图增强方法研究

摘要

图增强技术是一种在图神经网络中使用的数据增强方法，旨在提高图模型的泛化能力，广泛应用于节点分类等领域.当前研究表明，图神经网络在学习低频信息上展现了巨大的潜力.然而，现有方法在捕捉和表征高频信息方面存在不足，限制了图模型整体性能的提升.为此本文提出了一种基于傅里叶域图谱感知的图增强方法.该方法通过傅里叶变换将图数据转化为频谱表示，有效鉴别高低频信息.进一步地，本文引入了傅里叶域最小化最大化框架作为图数据预增强的约束条件，以确保增强后的图模型在保留原有内在低频结构的同时，更好的学习到图上高频信号的差异信息，从而使得增强图更好的表现出高频信息上的多样化.此外该方法的另一个优点是利用从预设的傅里叶基中选择稳定傅里叶基子集，通过Kullback-Leibler散度来评估图增广数据在该傅里叶基子集上的分布稳定性，显著降低网络的训练次数和计算量.实验结果表明，本文所提方法在Cora、Citeseer、PubMed等数据集上，与GCL-SPAN、GRACE、DGI等方法相比，节点分类效果最多提升3%,并且训练速度快了4倍以上，证明本文方法在大规模图数据上可以取得更好的节点分类效果.

关键词

图增强 / 图神经网络 / 傅里叶域 / 图谱感知 / Kullback-Leibler散度