面向小样本节点分类的图数据增强方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10

计算机应用,2025,45(2):392-402CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）02-0392-11DOI:10.11772/j.issn.1001-9081.2024030266

面向小样本节点分类的图数据增强方法

1*12，32，311

富坤，应世聪，郑婷婷，屈佳捷，崔静远，李建伟

（1.河北工业大学人工智能与数据科学学院，天津300401；2.天津航天机电设备研究所，天津300462；

3.天津市宇航智能装备技术企业重点实验室（天津航天机电设备研究所），天津300462）

（∗通信作者电子邮箱fukun@hebut.edu.cn）

摘要：现实中，图结构数据广泛存在，然而，在实际应用中，这些数据常面临标注数据短缺的难题。图数据的小

样本学习（FSL）方法旨在以较少的标注样本实现数据的分类。尽管这些方法在小样本节点分类（FSNC）任务上获得

较好的性能，但还存在以下问题：高质量的标签数据难获取，参数初始化过程泛化能力不足，未能充分挖掘图中的拓

扑结构信息。为解决这些问题，提出一种基于图数据增强的小样本节点分类模型（GDA-FSNC）。GDA-FSNC由4个模

块构成：基于结构相似度的图数据预处理模块、参数初始化模块、参数微调模块和自适应伪标签生成模块。在图数据

预处理模块中，通过基于结构相似度的邻接矩阵增强方法获取更多的图结构信息；在参数初始化模块中，使用互相教

学的数据增强方法使每个模型都能从其他模型学到不同的模式和特征，增强信息的多样性；在自适应伪标签生成模

块中，根据不同数据集的特征自动选择合适的伪标签生成技术，以生成高质量的伪标签数据。在7个真实数据集上的

实验结果表明，GDA-FSNC的分类准确率超过了Meta-GNN、GPN（GraphPrototypicalNetwork）、IA-FSNC（Information

AugmentationforFew-ShotNodeClassification）等主流的FSL模型。例如，相较于基线模型IA-FSNC，所提模型的分类准

确率在小数据集2-way1-shot设置下至少提升了0.27个百分点，在大数据集5-way1-shot设置下至少提升了2.06个百

分点。可见，GDA-FSNC在小样本场景下有更好的分类性能和泛化能力。

关键词：节点分类；图卷积网络；数据增强；元学习；小样本学习

中图分类号：TP391文献标志码：A

Graphdataaugmentationmethodforfew-shotnodeclassification

1*12，32，311

FUKun，YINGShicong，ZHEN