面向半监督图表示学习的解释保持数据增强
机器学习
2025-11-18 v2
摘要
自监督图表示学习（GRL）通常从每个图生成一对图增强，以推断同一图的增强的相似表示，同时保持不同图的可区分表示。虽然有效的数据增强需要语义保持和数据扰动，但大多数现有 GRL 方法仅关注数据扰动，导致解决方案不理想。为填补这一空白，本文提出了一种新方法，即解释保持数据增强（EPA），其利用图解释实现语义保持。EPA 首先使用少量标签训练图解释器，该解释器推断解释图标签的子图。然后使用这些解释来生成用于提升自监督 GRL 的语义保持增强。因此，整个过程即为 EPA-GRL，属于半监督方法。我们通过理论分析、示例以及在多个基准数据集上的广泛实验，表明 EPA-GRL 优于使用语义不可知增强的当前最先进（SOTA） GRL 方法。代码已公开于 https://github.com/realMoana/EPA-GRL。
引用
@article{arxiv.2410.12657,
title = {Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning},
author = {Zhuomin Chen and Jingchao Ni and Hojat Allah Salehi and Xu Zheng and Esteban Schafir and Farhad Shirani and Dongsheng Luo},
journal= {arXiv preprint arXiv:2410.12657},
year = {2025}
}
备注
Accepted to AAAI 2026. 23 pages, 10 figures, 10 tables