用于半监督图表示学习的解释保持增强

基于摘要分析。本文研究图表示学习中的增强如何兼顾语义保持与数据扰动，提出 Explanation-Preserving Augmentation（EPA）：先利用少量标签训练图解释器，识别与图语义最相关的子结构，再据此生成用于自监督图表示学习的增强图，形成 EPA-GRL。 其出发点是，自监督图表示学习通常要求同一图的不同增强获得相似表示，而不同图的增强获得可区分表示；若增强只追求扰动而忽略语义，可能损伤学习目标所需的信息。EPA 将图解释得到的相关子结构作为增强依据，区别于不考虑语义的增强策略。该方法依赖图结构及少量标签监督，因此不能将其描述为完全无监督方法。解释器形式、增强操作、训练阶段安排及具体损失尚未验证。 作者报告，通过理论分析、一个解析示例及多个基准数据集上的实验，EPA-GRL 优于基于语义无关增强的 SOTA 图表示学习方法。摘要未提供数据集名称、标签比例、数据划分、指标或提升幅度，实验协议、消融及统计信息尚未验证；还需核对解释器的监督标签如何与表示学习及评估划分隔离，以及解释质量与增强效果之间的关系。 平台推测（待验证）：若将 EEG 样本构造成通道或脑区关系图，可检验解释引导的增强是否比随机扰动更能保留任务相关结构。可复用的是“解释约束增强”的思路，图构建、节点特征和解释器则需适配 EEG。低信噪比、跨被试连接差异、通道配置变化及小样本标签可能使解释器保留伪相关结构。一个可证伪的小实验是：固定 EEG 图构建、编码器、标签预算与跨被试划分，比较解释引导增强和扰动强度匹配的随机增强，并检查预测性能及解释稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。