由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。

这种图增强的方法分为两种类型:

• 图特征增强；
• 图结构增强。

需要图增强的原因有如下几点：

• 输入图的节点可能比较缺乏特征；
• 图结构可能过于稀疏，从而没有足够的信息传递；
• 图结构可能过于稠密，进而导致信息传递出现冗余；
• 图可能过大，使得一整个图结构没办法直接放入GPU中进行训练。

针对上面几点，分别针对性地给出相应的方法。

---

① 缺乏特征

总体而言，针对这种情况，直接使用特征增强（feature augmentation）。但具体而言，需要使用特征增强的情况又分为两类：a. 完全没有节点特征信息；b. 一些图的结构难以直接被GNN学习。

a. 针对完全没有节点特征信息的情形（只有一个邻接矩阵的信息），可以用一个常数值作为每个节点的特征；或者使用每个节点的一个独立编码作为节点对应的特征，而后再转为 One-hot 编码。两种方法的示意图如下：

两种方法的优缺点分别如下：

b. 有些结构难以被GNN学习，例如下图所示的循环结构：

在GNN的消息传递机制中，这种循环结构会变成这种无穷长度的图形式，

这样就会使得GNN的训练失效。在实际的训练中，高效的训练图形式是下述这种二分树的形式：

因此，针对上面这种环的情况，是需要为节点加入特征，环中每个节点的特征为每个环的节点个数，并转化为计数编码（编码从0个节点开始）

除此之外，还有下述这些常见的节点嵌入的方法（前面都介绍过的方法）可以作为节点特征：

• 节点的度
• 聚类系数
• PageRank值
• 中心性
• …

---

② 针对稀疏图结构的增强

对于稀疏图结构的增强，通常针对原始结构增加虚拟边或者虚拟节点。

• 添加虚拟边

最常见的一个做法是将原本节点的二阶邻居（2-hop neighbors）也作为节点的邻居。换言之，就是使用 $A+A^2$ 来替代原本的邻接矩阵 $A$。

我们可以通过下面这个二部图（bipartite graph）来举例：

这是一个作者与论文连接的二部图，如果我们用上面所述的，考虑原本作者节点的二阶邻居也作为作者的邻居，那么就是额外考虑作者与作者之间的协作图。

• 添加虚拟节点

这种方法其实是有点像 PageRank 中，以一定概率跳到其他任意一个节点的感觉。具体而言，就是添加一个新的节点，使得这个节点与所有的边都有连接。

那么假如在一个非常稀疏的图中，有两个节点$A,B$之间的最短路径为10。那么在添加了虚拟节点后，所有节点之间都存在一条距离为2的路径。同样，$A,B$之间的最短路径此时为2:

$$A-\text{虚拟节点}-B$$

这种方法能有效提升信息在GNN中的传递效率。

---

③ 针对稠密图结构的增强（Augmentation）

实际上对稠密的图结构的 augment 已经不能直译为“增强”，这里其实有一丝减弱的意味。具体而言，就是对每次的信息传递过程，进行随机采样的操作。这样不仅能增加图的丰富性，同时还能降低计算复杂度，通常都能提升实际的表现。

一个传统的图网络如下：

经过采样之后的图网络可以变为如下的这些形式：