一种用于多视图电路表示学习的对齐框架
机器学习
2025-09-26 v1
摘要
对布尔电路进行多视图学习具有巨大的潜力，因为不同的图基表示提供了互补的结构和语义信息。然而，视图之间的巨大结构异质性（例如 And-Inverter Graph（AIG）与 XOR-Majority Graph（XMG）之间的差异）构成了有效融合的关键障碍，尤其是对于诸如遮盖建模等自监督技术。直接应用此类方法会失败，因为跨视图上下文被视为噪声。我们的关键见解是，功能对齐是释放多视图自监督力量的必要前提。我们引入了 MixGate，一个建立在原则训练课程之上的框架，首先通过等效对齐损失教导模型形成共享的、功能感知的表示空间。随后，我们引入多视图遮盖建模目标，现在可以利用对齐后的视图作为丰富的互补信号。广泛的实验，包括关键的消融研究，表明我们的对齐优先策略将遮盖建模从无效技术转变为强大的性能驱动器。
引用
@article{arxiv.2509.20968,
title = {Alignment Unlocks Complementarity: A Framework for Multiview Circuit Representation Learning},
author = {Zhengyuan Shi and Jingxin Wang and Wentao Jiang and Chengyu Ma and Ziyang Zheng and Zhufei Chu and Weikang Qian and Qiang Xu},
journal= {arXiv preprint arXiv:2509.20968},
year = {2025}
}