图数据的增强涉及通过轻微修改现有图结构或其属性来创建新的训练示例的技术。这一点非常重要，因为在许多与图相关的机器学习任务中，例如节点分类或链接预测，可用的数据可能有限。通过增强数据，开发人员可以提高模型对未知数据的泛化能力及其表现。目标是在多样化训练集的同时，保留原始图的基本关系和属性。
一种常见的图数据增强方法是添加噪声或扰动。例如，开发人员可以随机添加或删除边缘，以创建原始图的变体。这可能是这样一个无向社交网络图，其中用户被表示为节点，友谊被表示为边缘。通过随机添加或移除一些连接，增强后的图仍然传达相同的整体结构和关系，同时为模型提供多样化的场景。另一种方法是节点特征增强，涉及轻微修改与节点相关的特征（如社交图中的用户属性），可以通过添加噪声或混合不同节点的特征来实现。
另一种有效策略是子图采样，从原始图中提取小部分形成新图。这种技术在处理大型图时特别有用，因为使用完整图可能计算开销大或不切实际。例如，在一个引文网络中，您可能会采样包含特定研究论文及其相关引文的子图，从而使模型能够从局部结构中学习。通过深思熟虑地使用这些增强方法，开发人员可以在无需收集额外数据的情况下，提高其基于图的模型的鲁棒性和准确性。