[논문 리뷰] Data Augmentation on Graphs: A Technical Survey

Jiajun Zhou, Chenxuan Xie외 5명|arXiv (Cornell University)|2022. 12. 20.

Advanced Graph Neural Networks인용 수 8

한 줄 요약

이 종합적 서베이는 그래프 데이터 증강(GDAug) 기법에 대한 포괄적인 기술적 개요를 제공하며, 특성, 노드, 간선, 부분그래프, 그래프, 레이블 수준 등 세밀한 그래프 요소별로 이를 분류한다. 정의를 체계화하고 기술적 메커니즘을 상세히 기술하며, 성능 평가 지표를 평가하고 그래프 표현 학습 분야의 응용 및 향후 과제를 제시한다.

ABSTRACT

In recent years, graph representation learning has achieved remarkable success while suffering from low-quality data problems. As a mature technology to improve data quality in computer vision, data augmentation has also attracted increasing attention in graph domain. To advance research in this emerging direction, this survey provides a comprehensive review and summary of existing graph data augmentation (GDAug) techniques. Specifically, this survey first provides an overview of various feasible taxonomies and categorizes existing GDAug studies based on multi-scale graph elements. Subsequently, for each type of GDAug technique, this survey formalizes standardized technical definition, discuss the technical details, and provide schematic illustration. The survey also reviews domain-specific graph data augmentation techniques, including those for heterogeneous graphs, temporal graphs, spatio-temporal graphs, and hypergraphs. In addition, this survey provides a summary of available evaluation metrics and design guidelines for graph data augmentation. Lastly, it outlines the applications of GDAug at both the data and model levels, discusses open issues in the field, and looks forward to future directions. The latest advances in GDAug are summarized in GitHub.

연구 동기 및 목표

• 그래프 데이터 증강(GDAug) 연구 분야에서 체계적인 분류 체계와 일반화된 정의의 부족을 해결하기 위해.
• 특성, 노드, 간선, 부분그래프, 그래프, 레이블 등 세밀한 그래프 요소를 기반으로 GDAug 방법을 통합된 프레임워크로 분류하기 위해.
• 증강 품질과 일반화 능력을 평가하기 위한 성능 및 설계 지표를 포함하는 종합적인 평가 체계를 개발하기 위해.
• 다양한 그래프 학습 작업과 복잡한 그래프 유형에서 데이터 수준 및 모델 수준의 GDAug 응용을 요약하기 위해.
• 특히 복잡한 그래프와 강건한 평가 프레임워크에 대해 GDAug에 적용되는 열린 문제들을 규명하고 향후 연구 방향을 제안하기 위해.

제안 방법

• 특성 수준, 노드 수준, 간선 수준, 부분그래프 수준, 그래프 수준, 레이블 수준 증강을 기반으로 한 6개 카테고리의 GDAug 분류 체계를 제안한다.
• 각 GDAug 유형에 대한 일반적 정의를 체계화하며, 특성 마스킹, 간선 제거(DropEdge 등), 적응형 간선 재연결(AdaEdge 등), 노드 특성 편향(GRAND 등)과 같은 기술적 메커니즘을 상세히 기술한다.
• 하류 작업 성능, 일관성, 다양성 지표를 통합한 다중 지표 평가 체계를 도입하여 증강 품질과 일반화 능력을 평가한다.
• 자기지도 학습(예: GraphCL, GCC, EGI), 악성 공격에 대한 강건성(예: FLAG, GROC), 부분그래프 샘플링을 통한 전이 학습 등 GDAug의 응용을 검토한다.
• 이질적, 동적, 지식 그래프를 포함한 복잡한 그래프 유형의 맥락에서 기존 GDAug 기법을 분석한다.
• 분야의 최신 동향을 추적하기 위해 GitHub 리포지토리(https://github.com/jjzhou012/GDAug-Survey)를 제안한다.

실험 결과

연구 질문

• RQ1 세밀한 그래프 요소를 기반으로 그래프 데이터 증강 기법을 체계적으로 분류할 수 있는가?
• RQ2 각 그래프 요소 수준에서 다양한 GDAug 방법의 핵심 기술적 메커니즘과 설계 원리는 무엇인가?
• RQ3 하류 작업 정확도를 넘어서, 증강 품질과 일반화 능력을 평가하기 위한 종합적이고 해석 가능한 평가 체계는 어떻게 구축할 수 있는가?
• RQ4 그래프 표현 학습에서 모델의 강건성, 전이 가능성, 일반화 능력을 향상시키기 위해 GDAug의 핵심 응용은 무엇인가?
• RQ5 이질적 또는 동적 그래프와 같은 복잡한 그래프 유형에 GDAug를 적용할 때 주요 과제는 무엇인가?

주요 결과

• GDAug 기법은 모델의 강건성을 크게 향상시키며, GraphCL과 GROC는 증강된 시각을 통해 악성 공격에 대한 저항성을 높인다.
• GCC와 EGI와 같은 부분그래프 수준 증강 방법은 무작위 보행 및 이웃 네트워크 샘플링을 활용해 효과적인 사전 학습과 전이 학습을 가능하게 한다.
• 적응형 간선 재연결(예: AdaEdge)과 특성 마스킹(예: FLAG)은 반복적으로 그래프 구조와 특성 표현을 개선함으로써 모델의 일반화 능력을 향상시킨다.
• 현재 평가 관행은 하류 작업 성능에 크게 의존하지만, 일관성과 다양성 지표는 증강 품질 평가를 보완하는 도구로 부상하고 있다.
• 대부분의 기존 GDAug 기법은 동일한 특성 그래프에 국한되어 있으며, 이질적, 시공간적, 지식 그래프와 같은 복잡한 그래프 유형을 다루는 데 상당한 연구 격차가 존재한다.
• 체계적인 평가 프레임워크는 아직 부족한데, 기존 지표들은 예측 성능를 조합할 뿐 충분한 해석 가능성이나 유연성 없이 사용되고 있다.