ENGAGE：用于图表示学习的解释引导数据增强

基于摘要分析。本文研究图对比学习中随机扰动可能破坏关键图结构的问题，提出 ENGAGE（ExplaNation Guided data AuGmEntation），利用解释信息引导数据增强，目标是在保留图中关键部分的同时去除冗余信息。主要研究对象是通用图表示学习，并非 EEG 或 BCI。 机制上，作者提出无监督解释方法 smoothed activation map，用作表示学习中的节点重要性指标，再分别针对图结构和节点特征设计两类增强方案。摘要还说明提供了信息论框架下的方法论证，但重要性计算、平滑操作、增强概率及对比损失的具体形式尚未验证。该方法依赖图结构与特征，以及对表示学习过程的解释；解释阶段不依赖监督标签，不等于所有下游评估均无监督。 作者报告，在不同真实图、不同模型架构上的图级与节点级任务中，实验支持 ENGAGE 的有效性与灵活性。摘要未提供具体数据集、划分、基线或指标数值，实验协议、消融及统计信息尚未验证。材料提供了代码仓库链接，但运行条件与复现完整性仍需核对。 平台推测（待验证）：若将 EEG 通道及其关系构成图，解释引导增强可用于检验随机删边或特征扰动是否破坏判别信息。可复用的是节点重要性引导的增强思路；图构建、时间信息处理及跨被试通道对应需要另行设计。风险在于低信噪比或小数据下，重要性可能突出伪迹或被试特征，而非任务相关信号。一个可证伪的小实验是在固定 EEG 图编码器、数据划分与扰动预算下，对比随机增强和解释引导增强，分别检查被试内与跨被试表现及重要性稳定性。上述为迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。