（2）节点层面的图数据增广
节点层面的增广方法通过对图中节点进行操作，如移除或混合，增加数据的多样性。这些方法包括：
节点移除（Node Removing）：通过随机删除部分节点及其关联边生成子图，促使模型在信息不完整的情况下有效学习。
图 4 节点移除示意图
节点混合（Node Mixup）：对两个节点的特征和标签进行线性插值，合成新节点，增强模型对未见数据的泛化能力。
图 5 节点混合示意图
（3）边层面的图数据增广
边层面的增广主要围绕修改图的连接模式展开，例如边重连（Edge Rewiring），通过随机移除或添加边，引入不同连接模式，模拟图结构的不确定性，防止模型过度拟合特定连接结构。
图 6 边重连示意图
（4）子图层面的图数据增广
子图层面的增广通过提取或替换图中的子结构，生成新的训练样本。这些方法包括：
子图采样（Subgraph Sampling）：从原图中随机采样子图，保留部分结构信息并降低计算复杂度。
图 7 子图采样示意图
子图替换（Subgraph Substitution）：用结构或功能上相似的子图替换原图中的部分结构，生成具有相似性质的增广图。
图 8 子图替换示意图
(5)图层面的图数据增广
图层面的增广操作作用于整个图，通过对全图进行变换操作来获取多样化的训练样本。这些方法包括：
图粗化和细化（Graph Coarsening and Refinement）：通过合并节点和边压缩图的规模（粗化），再通过细化过程重新分配特征，以丰富特征空间。
图 9 图粗化和细化示意图
图传播（Graph Propagation）：通过模拟在整个图中传播节点信息的扩散过程，有效捕获节点之间的远程依赖关系并平滑局部不规则性。通过纳入更广泛的上下文信息，丰富节点表示，从而便于模型获取高阶图信息。
图 10 图传播示意图
图混合（Graph Mixup）：首先对不同的图进行对齐，然后对图特征和标签进行线性插值，生成新的增广图，从而增强模型对多样化输入的适应性。
（6）标签层面的图数据增广
标签层面的增广在半监督学习场景中尤为重要，通常借助模型预测为未标注数据生成伪标签，扩充标注数据集，提升模型泛化能力。
图 11 标签层面的增广
（7）面向复杂图的数据增广
除了简单的属性图，现实场景中还存在异构图、动态图、时空图和超图等复杂类型的图。论文进一步探讨了针对这些复杂图的数据增广方法。例如，在异构图数据增广中，结合元路径、元图等结构，将特征掩盖、边重连等方法应用其中，提升数据多样性和模型泛化性；动态图数据增广通过对边的时间戳添加噪声，或结合时间信息采样子图，应对动态噪声和数据稀疏性；时空图数据增广通过特征掩盖减少动态噪声，边重连增强图的局部与全局相关性；超图数据增广则通过设计超边扰动策略增强自监督信号，或采用超边元素丢弃等方法减轻过拟合问题。
（8）开放性问题与未来研究展望
论文在梳理完图数据增广的技术现状后，进一步探讨了该领域的开放问题与未来研究方向，为后续研究提供了指引，主要包括以下几个方面：
复杂图数据增广的定制化研究：现有图数据增广技术多针对简单图设计，而现实场景中大量存在异构图、时序图、时空图、超图等复杂图。这些复杂图具有多类型节点/边、动态演化、高阶关联等独特属性，但目前研究常直接复用简单图的增广方法，忽略了其特殊性（如异构图的语义层级、时序图的时间依赖性）。未来需针对复杂图的结构特点，设计定制化的增广策略，并建立系统化的评估框架，以提升增广效果的适用性。
增强图数据增广的可解释性：现有方法多依赖经验假设（如“随机扰动可提升鲁棒性”），缺乏对设计原理的理论阐释，导致其有效性和适用场景难以明确。同时，部分增广操作（如随机删改节点/边）可能破坏图的固有语义（如分子图的化学键结构）。未来研究需强化技术的可解释性，明确增广机制与图语义的关联，并设计能保留核心语义的增广方法，通过理论分析与实验验证提升技术的可信度。
提升图数据增广的可扩展性：现有方法在处理大规模图（含百万级以上节点/边）时，常面临计算成本过高的问题，限制了其在社交网络等大规模场景的应用。未来需研发高效的可扩展技术，例如结合并行计算、分布式采样等方法，在保证增广质量的同时，适配超大规模图的处理需求，并设计能动态调整策略的算法，适应不同图的规模与复杂度。
构建全面的评估体系：目前对图数据增广的评估多依赖下游任务性能（如分类准确率），缺乏对增广样本质量的直接衡量；虽有研究提出“一致性”“多样性”等指标，但仍存在解释性不足、难以标准化的问题。未来需建立系统的评估框架，综合考量增广数据的分布合理性、语义保留度、对模型泛化能力的提升等维度，并制定标准化的基准数据集与指标，以支持不同增广技术的公平对比。
此外，论文还指出，未来可探索将可学习的增广机制、动态自适应策略与图模型深度融合，以及在联邦学习、多模态图学习等新兴场景中拓展图数据增广的应用，进一步释放其在提升图学习性能中的潜力。
Zhou J, Xie C, Gong S, et al. Data augmentation on graphs: A technical survey[J]. ACM Computing Surveys, 2025, 57(11): 1-34.
论文链接：https://dl.acm.org/doi/abs/10.1145/3732282
