EPA-GRL——Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning
论文信息
论文标题：Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning
论文作者：Gang Liu、Eric Inae、Tengfei Luo、Meng Jiang
论文来源：
发布时间：2024-10-16
论文地址：link
论文代码：link
1 Introduction
1.1 研究背景：图表示学习（GRL）的发展与核心技术
- 领域启发：受视觉、语言领域无监督 / 自监督表示学习进展启发，GRL 在节点分类、图分类任务中性能显著提升，应用覆盖社会科学、分子生物学等多个领域。
- 核心技术：对比学习成为 GRL 主流技术，其核心逻辑为：为每个图生成两个增强视图，目标是让同一图的不同增强视图表示相似，不同图的增强视图表示尽可能区分。
- 关键影响因素：图增强策略是决定 GRL 性能的核心因素。理想的图增强需满足两大条件（类比图像数据增强）：
- 语义继承：增强视图需继承原图的核心语义；
- 差异引入：增强视图间需存在足够差异，以支撑鲁棒的表示学习。
1.2 现有方法的局限性：重扰动、轻语义
-
EPA-Aug实现：1）用少量带标签图训练 GNN 分类器，再基于图信息瓶颈原则训练解释器，提取语义子结构。 2）对图的边缘子结构进行受控扰动，结合语义子结构生成 “EPA - Aug” 图；
-
核心问题：多数现有 GRL 增强方法（如 GraphCL、JOAO）仅关注通过结构扰动引入差异，却严重忽视语义保留需求。
- 具体表现：这些方法通过随机删边、删点、特征掩码、子图提取等方式生成增强图，其随机性会大幅改变图的重要（子）结构或特征，导致语义大量丢失，最终影响下游任务性能。
- 实验佐证（图 1）：
- 实验设计：用 GNN 分类器在基准数据集（BA-2motifs、MUTAG）训练集上训练后，分别在测试集原图、“Random-Aug”（随机删点的语义无关增强）图、“EPA-Aug”（语义保留增强）图上评估准确率。
- 结果 1（分类准确率）：GNN 在原图上准确率高，但在 “Random-Aug” 图上准确率骤降（语义丢失显著），在 “EPA-Aug” 图上准确率接近原图（语义保留有效）。
- 结果 2（嵌入分布）：“Random-Aug” 图的嵌入分布与原图差异极大，而 “EPA-Aug” 图既能保留原图嵌入分布，又能引入合理差异，证明语义保留增强对 GRL 性能提升的潜力。
1.3 现有改进方法的不足
- MoCL：通过生物等排体替换分子图中的有效子结构（子结构性质相似），但依赖昂贵的领域知识，无法自然扩展到社会图等其他领域。
- SimGRACE：规避图结构扰动，转而扰动 GNN 参数，用扰动后的 GNN 生成增强图。虽未显式修改图结构，但会通过任意改变图嵌入间接导致无约束的结构变化，无法保证语义保留。
1.4 研究动机与目标
- 语义特殊性：与图像语义可直观观察不同，图的语义难以可视化且具有类别特异性，无法直接借助人类先验设计扰动策略。
- 核心目标：开发基于少量带标签样本训练的语义保留增强技术，以改进 GRL 性能。
- 与相关工作的区别：现有监督图对比学习方法（如 [13,14]）需大量带标签样本确定正样本对，而非利用类别信号显式保留语义，与本文 “少量标签实现语义保留” 的目标不同。
1.5 本文方法：EPA-GRL 的核心思路
- 灵感来源：基于图可解释 AI（XAI）研究，图解释方法能学习参数化解释器，识别原图中区分不同类别、承载核心语义的子结构（如分子中的苯环）。
- 方法设计：提出解释保留增强 GRL（EPA-GRL），分两阶段实现语义保留与数据扰动的平衡：
- 预训练阶段：用少量类别标签训练图解释器；
- GRL 阶段：对每个输入图，用解释器提取语义子结构（保持不变），对剩余的边缘子结构进行扰动，结合两者生成增强图，再输入对比学习框架学习表示。
- 框架属性：利用少量带标签图和大量无标签图，构建新型半监督 GRL 框架。
1.6 本文主要贡献
- 问题识别：通过回顾数据增强的两大标准，指出现有 GRL 增强方法的核心局限；首次探索少量类别标签在 GRL 语义保留中的潜力。
- 方法创新：提出半监督 GRL 框架，引入 XAI 技术设计新型增强方法 EPA，实现语义保留式扰动。
-
理论支撑：通过分析示例从理论上证明：在语义保留增强与语义无关增强下，GRL 模型输出嵌入的经验风险最小化（ERM）准确率差距可任意大。
-
实验验证：在 6 个基准数据集上进行大量实验，对比多种增强方法和对比学习框架，验证 EPA-GRL 的有效性（尤其在标签有限场景下）。
2 Method
2.1 Pre-Training GNN Explainer（预训练 GNN 解释器）
2.1.1 核心目标
2.1.2 两步训练流程
步骤 1：训练基础 GNN 分类器（$f_{pt}$）
- 输入数据：小规模带标签数据集 $T_\ell = \{(G_i, Y_i) | i \in [M]\}$，其中 $G_i$ 为图，$Y_i$ 为对应的类别标签。
- 训练目标：让 GNN 分类器学习图的结构特征与类别之间的映射关系，具备区分不同类别图的能力。
- 损失函数：采用交叉熵损失，最小化模型预测标签与真实标签的差异，公式如下：
$ \underset{f_{pt}}{arg min }\left(\sum_{(G, y) \in \mathcal{T}_\ell}-y \log \left(f_{pt}(G)\right)\right) $
其中，$f_{pt}(G)$表示 GNN 分类器对图$G$的类别预测结果，$y$为图$G$的真实标签。
- 作用：为后续解释器的训练提供一个具备类别区分能力的基准模型，解释器需基于该模型的预测逻辑提取关键子结构。
步骤 2：训练 GNN 解释器（$\Psi(\cdot)$）
- 输入数据：训练好的基础 GNN 分类器 $f_{pt}$、带标签数据集$T_\ell$。
- 解释器输出：对于输入图 $G=(A, X)$（ $A$为邻接矩阵，$X$ 为节点特征矩阵），解释器生成一个二进制掩码 $M$，通过 $(X, A \odot M)$ 得到解释子图 $G^{(\exp)}$ 。其中 $M_{i,j}=1$ 表示边 $(i,j)$ 被保留在解释子图中，$M_{i,j}=0$ 则表示该边被剔除。
- 训练原则：遵循图信息瓶颈（GIB）原则，即最优的解释子图需在 “保留足够预测信息” 和 “保持结构紧凑” 之间取得平衡。前者确保子图能反映图的核心语义，后者避免引入冗余结构导致过拟合。
- 损失函数：综合考虑语义保留和结构紧凑性，公式如下：
$ \underset{\Psi}{arg min }\left(\sum_{(G, y) \in \mathcal{T}_\ell} CE\left(Y ; f_{pt}(\Psi(G))\right)+\lambda|\Psi(G)|\right) \tag{2} $
其中：
-
-
-
$CE(\cdot;\cdot)$ 为交叉熵损失，衡量 GNN 分类器对解释子图 $\Psi(G)$ 的预测精度（语义保留指标）；
-
$|\Psi(G)|$表示解释子图的大小（可用边数或边权重总和衡量，结构紧凑指标）；
-
$\lambda$ 为超参数，用于调节 “语义保留” 与 “结构紧凑” 两项的权重；
-
-
- 效率设计：采用生成式解释器（参数化神经网络），基于节点嵌入学习掩码 $M$。训练完成后，该解释器可直接应用于无标签数据集 $T_u$，为无标签图生成解释子图，无需额外训练。
2.2 Explanation-Preserving Augmentation Enhanced Graph Representation Learning（解释保留增强的图表示学习）
2.2.1 核心背景与目标
2.2.2 解释保留增强策略（EPA）
核心逻辑
五种具体增强方法
|
增强方法（Data Augmentation）
|
操作对象
|
具体操作步骤
|
核心假设（Underlying Prior）
|
|
Node Dropping（节点删除）
|
节点、边
|
1. 从边缘子图$\Delta G$的节点集中，按独立同分布（i.i.d.）均匀概率随机选择部分节点；
2. 删除选中节点及其关联的所有边。
|
非关键节点的缺失对图的核心语义影响极小，不会改变图的类别属性。
|
|
Edge Dropping（边删除）
|
边
|
1. 遍历边缘子图$\Delta G$的所有边；
2. 按 i.i.d. 均匀概率随机删除部分边，不改变节点集。
|
图的语义对非关键边的连接状态不敏感，边缘子图的边扰动不会破坏核心语义。
|
|
Attribute Masking（属性掩码）
|
节点 / 边属性
|
1. 生成一个二进制掩码矩阵$M^{(smp)}$，矩阵元素按 i.i.d. 均匀概率取值（1 表示保留属性，0 表示掩码）；
2. 将掩码矩阵与边缘子图$\Delta G$的节点 / 边特征矩阵进行点乘，掩盖部分属性。
|
非关键属性的丢失不会影响模型对图核心语义的识别，边缘子图的属性扰动可引入方差且不破坏语义。
|
|
Subgraph（子图采样）
|
节点、边
|
1. 从边缘子图$\Delta G$中随机选择一个初始节点；
2. 基于初始节点进行随机游走，不断扩展节点集，直到采样节点数达到预设比例；
3. 保留采样节点及节点间的所有边，形成采样子图。
|
从边缘子图中采样局部连通子图，可改变图的局部结构以引入方差，但不会破坏图的整体语义完整性。
|
|
Mixup（混合增强）
|
节点、边
|
1. 从当前批次的图中随机选择另一个图$G'$；
2. 提取$G'$的边缘子图$\Delta G'$；
3. 将原始图$G$的解释子图$G^{(\exp)}$与$\Delta G'$组合，形成增强图。
|
解释子图是图语义的核心，与其他图的边缘子图混合后，仍能保持原始图的核心语义，同时引入新的结构方差。
|
注：每种增强方法的详细伪代码见原文附录 B.1。
2.2.3 图表示学习框架
A. 通用前置流程
- 生成增强视图：对数据集中的每个图 $G$，采用两种不同的 EPA 增强方法，生成两个增强视图 $G_1$ 和 $G_2$ 。
- 嵌入生成与映射：
- 将增强视图输入图编码器 $f_{enc}$（可采用 GCN、GIN 等任意 GNN 架构），得到图级嵌入 $h_1 = f_{enc}(G_1)$ 和 $h_2 = f_{enc}(G_2)$；
- 引入投影头 $f_{pro}$（采用 MLP 结构），将编码器输出的嵌入映射为新表示 $z_1 = f_{pro}(h_1)$ 和 $z_2 = f_{pro}(h_2)$ 。其中 $z_1$ 和 $z_2$ 仅用于训练阶段的损失计算，下游任务（如节点分类、图分类）直接使用编码器输出的 $h_1$ 或 $h_2$ 作为图表示。
B. 基于 GraphCL 的对比学习
- 核心思想：最大化同一图的不同增强视图之间的互信息，同时最小化不同图的增强视图之间的互信息，通过噪声对比估计区分正负样本（同一图的两个视图为正样本对，不同图的视图为负样本对）。
- 损失函数：对于批次大小为 $N$ 的数据集，第 $i$ 个图的两个增强视图投影嵌入为 $z_{i,1}$ 和 $z_{i,2}$，损失公式如下：
$ \begin{aligned} \ell_{i}^{(graphcl) }=- & \frac{1}{2} \log \frac{\exp \left(sim\left(z_{i,1}, z_{i,2}\right) / \tau\right)}{\sum_{j=1}^{N} \exp \left(sim\left(z_{i,1}, z_{j,2}\right) / \tau\right)} \\ & -\frac{1}{2} \log \frac{\exp \left(sim\left(z_{i,2}, z_{i,1}\right) / \tau\right)}{\sum_{j=1}^{N} \exp \left(sim\left(z_{i,2}, z_{j,1}\right) / \tau\right)}, \end{aligned} \tag{3} $
其中，
-
-
-
$sim(\cdot,\cdot)$为余弦相似度函数，用于衡量嵌入向量的相似性；
-
$\tau$为温度参数，调节相似度分布的平滑程度，避免梯度消失或爆炸。
-
-
-
最终损失：对批次内所有图的损失求和，作为模型训练的总损失。
C. 基于 SimSiam 的对比学习
- 核心特点：无需构建负样本对，通过 “预测头 + 停止梯度（stopgrad）” 机制，避免模型学习到 trivial 表示（如所有嵌入向量趋同），简化训练流程。
- 损失计算流程：
-
预测头映射：对两个增强视图的投影嵌入 $z_1$ 和 $z_2$，分别通过 MLP 预测头生成预测向量：
$ p_1 = MLP(z_1), \quad p_2 = MLP(z_2) \tag{4} $
-
停止梯度操作：对其中一个投影嵌入施加停止梯度（stopgrad），即 $stopgrad(z_1)$ 和 $stopgrad(z_2)$ ，阻断该路径的梯度传播，将其视为 “固定目标”。
-
负余弦相似度损失：最小化预测向量与固定目标之间的负余弦相似度，最大化两者的相似性，公式如下：
$ \begin{aligned} \mathcal{D}\left(p_1, stopgrad(z_2)\right) &= -\frac{p_1}{\left\| p_1\right\| _{2}} \cdot \frac{stopgrad(z_2)}{\left\| stopgrad(z_2)\right\| _{2}} \\ \mathcal{D}\left(p_2, stopgrad(z_1)\right) &= -\frac{p_2}{\left\| p_2\right\| _{2}} \cdot \frac{stopgrad(z_1)}{\left\| stopgrad(z_1)\right\| _{2}} \end{aligned} \tag{5} $
- 最终损失：对两个方向的损失取平均，作为总损失：
$ \ell^{(simsiam)}=\frac{1}{2} \mathcal{D}\left(p_1, stopgrad(z_2)\right)+\frac{1}{2} \mathcal{D}\left(p_2, stopgrad(z_1)\right) \tag{6} $
- 关键作用：停止梯度操作防止编码器直接优化相似性目标，迫使模型从图的结构和特征中学习有意义的语义表示，避免表示坍缩。
3 Experiments
3.1 实验核心目标
验证所提出的EPA-GRL（解释保留增强的图表示学习）框架的有效性，具体包括：
-
-
对比 EPA 增强方法与传统语义无关增强（Vanilla）的性能差异；
-
将 EPA-GRL 与当前主流图表示学习（GRL）方法对比，验证其优越性；
-
通过消融实验分析标签数量对 EPA-GRL 的影响；
-
结合案例可视化，直观展示 EPA 增强的语义保留效果。
-
3.2 Experimental Setup（实验设置）
3.2.1 Datasets（数据集）
选用 6 个涵盖生化分子、蛋白质领域的基准数据集，部分数据集提供语义子图的 Ground Truth（用于验证语义保留），详细统计如下表（对应原文 Table 5）：
|
数据集名称 |
领域 |
图数量（#Graphs） |
平均节点数（Avg.#nodes） |
平均边数（Avg.#edges） |
语义子图数量（#Explanations） |
节点特征数（#Feature） |
类别数（#Classes） |
|
MUTAG |
生化分子 |
2,951 |
30.32 |
30.77 |
1,015 |
14 |
2 |
|
Benzene |
生化分子 |
12,000 |
20.58 |
43.65 |
6,001 |
14 |
2 |
|
Alkane-Carbonyl |
生化分子 |
4,326 |
21.13 |
44.95 |
375 |
14 |
2 |
|
Fluoride-Carbonyl |
生化分子 |
8,671 |
21.36 |
45.37 |
1,527 |
14 |
2 |
|
D&D |
生物信息（蛋白质） |
1,178 |
284.32 |
715.66 |
0 |
89 |
2 |
|
PROTEINS |
生物信息（蛋白质） |
1,113 |
39.06 |
72.82 |
0 |
3 |
2 |
- 数据集特点：
- MUTAG：按分子对沙门氏菌的致突变性分类；
- Benzene：按分子是否含苯环分类；
- Alkane-Carbonyl/Fluoride-Carbonyl：按分子是否含特定官能团（烷烃 / 羰基、氟原子 / 羰基）分类；
- D&D/PROTEINS：按蛋白质是否为酶（D&D）、按蛋白质结构功能（PROTEINS）分类。
- 数据划分：所有数据集按 80%/10%/10% 分为训练集、验证集、测试集，下游分类任务（SVM）从训练集中随机采样 50 个图作为训练数据。
3.2.2 Baselines（基准方法）
A. 增强方法基准（Vanilla 系列）
用于对比 EPA 增强与传统语义无关增强的性能，共 5 种：
|
增强方法名称
|
操作逻辑
|
|
Node Dropping（Vanilla）
|
随机删除图中 10% 的节点及关联边（无语义约束）
|
|
Edge Dropping（Vanilla）
|
随机删除图中 10% 的边（无语义约束）
|
|
Attribute Masking（Vanilla）
|
随机掩码图中 10% 的节点特征（无语义约束）
|
|
Subgraph-Sample（Vanilla）
|
从原图中随机游走采样子图（取 50% 节点为起点，游走 10 步）
|
|
Mixup（Vanilla）
|
随机选取批次内另一图，随机裁剪 20% 后与原图组合（无语义约束）
|
B. GRL 方法基准
包括无监督 / 自监督 GRL 方法及其半监督版本（用 50 个标签微调），共 5 种：
|
GRL 方法名称
|
方法特点
|
半监督版本（SS-*）实现方式
|
|
GraphCL
|
自监督对比学习，用 4 种 Vanilla 增强生成视图
|
1. 用无标签图预训练编码器；2. 用 50 个标签微调编码器（交叉熵损失）
|
|
AD-GCL
|
对抗性增强 GRL，通过可训练删边策略避免学习冗余信息
|
同 GraphCL 的半监督流程
|
|
JOAO
|
动态选择增强方法的 GRL，用 min-max 优化调整增强策略
|
同 GraphCL 的半监督流程
|
|
AutoGCL
|
自动 GRL，用可学习视图生成器联合训练 “生成器 - 编码器 - 分类器”
|
原生支持半监督训练（无需分两阶段）
|
|
SimGRACE
|
无增强 GRL，用原编码器与扰动编码器生成两个视图进行对比
|
同 GraphCL 的半监督流程
|
- 额外基准：Supervised（仅用 50 个标签训练 GNN 编码器，无无标签图辅助）。
C. 核心对比逻辑
- EPA 增强 vs Vanilla 增强：固定 GRL 框架（GraphCL/SimSiam），对比增强方法的语义保留效果；
- EPA-GRL vs SOTA GRL：对比 EPA 增强 + GraphCL/SimSiam 与其他 GRL 方法的性能。
3.2.3 Implementation Details
| 实现模块 | 具体配置 |
| 骨干 GNN 模型 | 默认 3 层 GCN，附录验证 3 层 GIN（确保架构通用性） |
| 优化器 | Adam，学习率 1e-3；EPA 解释器训练额外加权重衰减（原文未明确数值） |
| 超参数 | GraphCL 温度参数 $\tau=0.2$ ；增强方法扰动比例（如 Node Dropping 删 10% 节点） |
| 下游分类器 | SVM（用 GRL 生成的图入作为输入） |
| 硬件环境 | Linux 机器，8 张 Nvidia A100-PCIE 40GB GPU，CUDA 12.4 |
| 实验重复性 | 所有实验重复 10 次，结果以 “均值 ± 标准差” 表示 |
3.3 Experimental Results（实验结果）
3.3.1 对比 1：EPA 增强 vs Vanilla 增强
3.3.1.1 基于 GraphCL 框架的结果（原文 Table 2）
- 关键性能提升案例：
- PROTEINS 数据集：EPA-Edge Dropping（0.757±0.055）vs Vanilla-Edge Dropping（0.702±0.077），相对提升 7.83%；
- MUTAG 数据集：EPA-Node Dropping（0.860±0.020）vs Vanilla-Node Dropping（0.803±0.030），绝对提升 5.7%；
- Alkane-Carbonyl 数据集：EPA-Subgraph（0.987±0.019）vs Vanilla-Subgraph（0.973±0.027），绝对提升 1.4%。
- 共性发现：
- 结构类增强（Node/Edge Dropping、Subgraph、Mixup）整体优于属性掩码（Attribute Masking），因结构扰动引入的方差更大；
- EPA 增强对 “语义敏感型扰动”（如 Node Dropping）的改进更明显，因 Vanilla-Node Dropping 易删除语义子图节点，而 EPA 仅删除边缘子图节点。
3.3.1.2 基于 SimSiam 框架的结果（原文 Table 3）
- 关键性能提升案例：
- PROTEINS 数据集：EPA-Subgraph（0.744±0.084）vs Vanilla-Subgraph（0.702±0.068），相对提升 5.98%；
- Fluoride-Carbonyl 数据集：EPA-Edge Dropping（0.640±0.043）vs Vanilla-Edge Dropping（0.618±0.045），绝对提升 2.2%。
- 共性发现：GraphCL 框架整体性能优于 SimSiam，因 GraphCL 通过负样本区分增强了表示的判别性；但 EPA 增强在两种框架下均有效，证明其GRL 框架无关性。
3.3.2 对比 2：EPA-GRL vs SOTA GRL 方法
基于 GraphCL 框架（默认最优），用 50 个标签训练半监督模型，核心结论：EPA-GRL 在多数数据集上排名第一，且性能稳定（原文 Table 4）。
|
数据集
|
最优 GRL 方法
|
准确率（均值 ± 标准差）
|
次优方法（如 SS-GraphCL）
|
准确率差距
|
|
MUTAG
|
EPA-GRL
|
0.861±0.032
|
SS-GraphCL（0.853±0.034）
|
+0.8%
|
|
Benzene
|
EPA-GRL
|
0.765±0.032
|
SS-JOAO（0.762±0.047）
|
+0.3%
|
|
Alkane-Carbonyl
|
EPA-GRL
|
0.982±0.020
|
SS-GraphCL（0.978±0.020）
|
+0.4%
|
|
Fluoride-Carbonyl
|
EPA-GRL
|
0.663±0.028
|
SS-JOAO（0.668±0.033）*
|
-0.5%（次优）
|
|
D&D
|
EPA-GRL
|
0.650±0.065
|
SS-AutoGCL（0.639±0.065）
|
+1.1%
|
|
PROTEINS
|
EPA-GRL
|
0.744±0.065
|
SS-AutoGCL（0.734±0.066）
|
+1.0%
|
- 关键发现：
- 半监督版本（SS-*）均优于其自监督版本，证明少量标签对 GRL 的增益；
- EPA-GRL 性能优于 Supervised 基准（如 MUTAG：EPA-GRL 0.861 vs Supervised 0.848），证明 “无标签图 + EPA 增强” 的价值；
- EPA-GRL 标准差更小（如 PROTEINS：0.065 vs SS-AutoGCL 0.066），因语义保留增强降低了随机扰动的不稳定性。
3.3 对比 3：消融实验（Ablation Analysis）
3.3.1 解释器预训练标签数量的影响（原文 Fig. 4）
- 实验设计：固定 SVM 训练标签数为 50，改变解释器预训练的标签数（ $|T_\ell|=50,100,150$ ）；
- 结果：
- EPA 增强：随 $|T_\ell|$ 增加，所有增强方法的准确率均上升（如 Node Dropping：50 标签 0.84→150 标签 0.87）；
- Vanilla 增强：准确率基本不变（如 Node Dropping 始终≈0.82），因无语义学习环节，标签无法提升增强质量。
3.3.2 下游 SVM 训练标签数量的影响（原文 Fig. 5）
-
实验设计：固定解释器预训练标签数为 50，改变 SVM 训练的标签数（从少量到 100）；
-
结果：两种增强的准确率均随 SVM 标签数增加而上升，但 EPA 增强始终高于 Vanilla 增强（如 Edge Dropping：EPA 比 Vanilla 高≈0.02），证明 EPA 生成的嵌入质量更高。
3.4 Case Studies（案例研究）
3.4.1 实验设计
3.4.2 核心发现
- EPA 增强：仅扰动边缘子图（灰色节点 / 虚线边均在语义子图外），黄色语义子图完整保留；
- Vanilla 增强：随机扰动语义子图（如 Vanilla-Node Dropping 删除了语义子图中的节点，Vanilla-Edge Dropping 删除了语义子图中的边），导致语义丢失。
- 直观验证：EPA 增强的 “语义保留” 设计有效，解释了其性能优于 Vanilla 增强的原因。
3.5 Additional Analysis（额外分析）
3.5.1 数据集通用性验证
-
- BA-2motifs：EPA 增强平均相对提升 17.3%（如 Node Dropping：Vanilla 0.739→EPA 0.874）；
-
- HIV：EPA 增强在多数方法上优于 Vanilla（如 Edge Dropping：Vanilla 0.640→EPA 0.643），证明其在合成 / 大规模数据上的通用性。
3.5.2 GNN 架构通用性验证
-
- MUTAG：EPA-Node Dropping（0.846±0.035）vs Vanilla-Node Dropping（0.843±0.033）；
-
- PROTEINS：EPA-Edge Dropping（0.650±0.063）vs Vanilla-Edge Dropping（0.637±0.049）；
-
- 结论：EPA 增强在不同 GNN 架构上均有效，证明其架构无关性。
3.5.3 嵌入可视化分析
-
- Vanilla 增强的嵌入分布与原图差异大（分布偏移明显）；
-
- EPA 增强的嵌入分布与原图高度一致（保留语义），同时引入足够方差（视图间有差异），验证了 EPA 对 “语义保留” 和 “数据扰动” 的平衡。
3.6 实验小节核心结论
- EPA 增强的有效性：在 6 个基准数据集、2 个 GRL 框架、2 种 GNN 架构上，EPA 增强均优于传统 Vanilla 增强，最大相对提升 7.83%；
- EPA-GRL 的优越性：作为半监督 GRL 框架，EPA-GRL 在多数数据集上优于当前 SOTA 方法（如 GraphCL、AutoGCL），且性能更稳定；
- 标签利用效率：EPA 能有效利用更多标签提升增强质量，而 Vanilla 增强无法利用标签，证明 “语义学习” 对少量标签的高效利用；
- 通用性与灵活性：EPA 增强可集成到任意 GRL 框架（GraphCL/SimSiam），适配任意 GNN 架构（GCN/GIN），适用于合成 / 真实、小规模 / 大规模数据集。
浙公网安备 33010602011771号