郭新超，张维玉，夏忠秀

(齐鲁工业大学(山东省科学院) 计算机科学与技术学院，山东 济南 250300)

0 引 言

随着卷积神经网络的发展，一些学者提出了图卷积网络[1，2](GCN)。GCN的发展促进了图分析在现实世界任务中的应用，例如节点分类[3，4]、图分类[5，6]、链接预测[7-9]和社区检测[10]等。数据增强已被普遍用于提高机器学习模型的泛化能力，基于图数据的增强仍然是一个具有挑战性的问题，因为图数据比传统的数据更复杂，它由两个具有不同属性的特征组成：图拓扑结构和节点属性。

文献[11，12]提出了增加或消除边缘的不同策略，以提高GCN的健壮性。然而，这些增强方法仅限于修改图中具有特征的节点的一部分，增加了用于训练的数据量，但是这些修改可能会引入许多噪声或者删除了关键特征。在文献[13]中提出了节点并行的数据增强方法，为不同的节点建立互不相同的增强空间，但是这种方法摒弃标签传播的特性，在标签数据不足的情况下效果较差。

因此本文在改进自适应多通道图卷积网络模型[14]的基础上提出了双向数据增强图卷积网络(TDA-GCN)，在增强的过程中有效的对关键信息进行保护，通过一个图熵系统计算图中的信息量，在子图熵改变最小情况下为区域内的每一个节点设计一个独立的增强过程，通过两个卷积模块来提取相应的嵌入，然后用注意力机制来自动学习不同嵌入的权重，对它们进行自适应的融合，提高了模型的分类精确度。

1 相关工作

1.1 数据增强

数据增强在训练深度学习模型中扮演着重要的角色，它只对输入数据进行操作，而不改变模型结构，但显著提高了性能。……