结合节点增强与图增强的自监督对比图表示学习

基于摘要分析。本文研究知识工程等场景中的自监督对比图表示学习，针对结构增强可能破坏原图语义，以及相似节点被当作负样本的问题，提出 Virtual Masking Augmentation（VMA）和节点正样本扩充方法。主要研究对象是一般图表示，而非 EEG 或 BCI。 方法上，作者提出 VMA，在不改变原图结构的前提下生成增强图；同时，通过发现同一图中最相似的节点扩充正节点对，再利用两个增强图进行对比表示学习。摘要未说明虚拟掩码的具体作用对象、节点相似度计算方式、正样本选择阈值或损失形式，这些机制细节尚未验证。保持拓扑不变也不能仅凭摘要认定为保持全部任务语义。 作者报告，该方法在多个数据集的自监督图表示评估中取得新的最优结果，但摘要未列出数据集名称、任务、划分、对照基线和指标数值，无法据此判断收益幅度或适用范围。实验协议、消融及统计信息尚未验证。摘要提供了 CGRA 代码仓库，代码完整性及复现条件尚未核查。 平台推测（待验证）：若将 EEG 通道或脑区作为节点、连接关系作为边，保留拓扑的增强可能适用于不宜随意删边或删节点的图表示学习。可复用的部分是双视图对比框架与正样本扩充思路；需改造掩码对象、节点相似度及正样本筛选规则。该假设依赖有意义且较稳定的图结构，低信噪比、跨被试连接差异、通道配置变化及小数据可能导致错误正样本和表征偏差。一个可证伪的小实验是在固定 EEG 图构建方式、编码器和数据划分下，对照结构删改增强、VMA 及是否启用节点扩充，检验跨被试分类收益；需先从全文确认 VMA 的可实现定义。相关 EEG 工作尚未检索确认。