يُعرّف المبرر (Rationale) على أنه مجموعة فرعية من الميزات المدخلة التي تُفسر أو تُدعم التنبؤ بشكل أفضل بواسطة نماذج التعلم الآلي. وقد ساهم اكتشاف المبررات في تحسين قابلية التعميم والشفافية للشبكات العصبية على بيانات الرؤية واللغة. وفي التطبيقات الرسومية مثل توقع خصائص الجزيئات والبوليمرات، يُعد اكتشاف هياكل الرسوم الفرعية الممثلة، والمعروفة باسم المبررات الرسومية (Graph Rationales)، دورًا جوهريًا في أداء الشبكات العصبية الرسومية. وتُعاني الطرق الحالية لعملية التجميع الرسومي (Graph Pooling) و/أو تدخل التوزيع من نقص الأمثلة التدريبية اللازمة لتعلم اكتشاف أفضل المبررات الرسومية. في هذا العمل، نُقدّم عملية تكبير جديدة تُسمى "استبدال البيئة" (Environment Replacement)، التي تُنشئ تلقائيًا أمثلة بيانات افتراضية لتحسين اكتشاف المبررات. ونُقترح إطارًا فعّالًا يقوم بفصل المبرر عن البيئة، وتعلم التمثيل في الفضاءات المخفية (Latent Spaces) على الأمثلة الحقيقية والمحسّنة، بهدف تجنّب التعقيد العالي الناتج عن عملية التشفير والفك الترميز الصريح للرسومات. ومقارنةً بالتقنيات الحديثة، تُظهر التجارب على سبع مجموعات بيانات حقيقية للجزيئات وأربع مجموعات بيانات للبوليمرات فعالية وكفاءة الإطار المقترح القائم على التكبير لتحسين المبررات الرسومية.