Краткое содержание

arXiv:2410.12657v2 Тип объявления: замена Аннотация: Самоконтролируемое обучение репрезентаций графов (GRL) обычно создает парные аугментации графа из каждого графа, чтобы выводить схожие репрезентации для аугментаций одного и того же графа, но различимые репрезентации для разных графов. Хотя эффективная аугментация требует как сохранения семантики, так и возмущения данных, большинство существующих методов GRL сосредоточены исключительно на возмущении данных, что приводит к субоптимальным решениям. Чтобы заполнить этот пробел, в данной статье мы предлагаем новый метод, Explanation-Preserving Augmentation (EPA), который использует объяснение графов для сохранения семантики. EPA сначала использует небольшое количество меток для обучения объясняющей модели графа, которая выявляет подграфы, объясняющие метку графа. Затем эти объяснения используются для генерации аугментаций, сохраняющих семантику, для улучшения самоконтролируемого GRL. Таким образом, весь процесс, а именно EPA-GRL, является полуконтролируемым. Мы теоретически демонстрируем, используя аналитический