誘導部分グラフをショートカットとして捉える：異種グラフ学習のための因果的デカップリング

Abstract

異種性（heterophily）は実世界のグラフに広く見られる性質であり、同種性（homophily）を前提とするグラフニューラルネットワーク（GNN）の性能を低下させることがよく知られています。先行研究では、非局所近傍拡張やアーキテクチャの改良によって、GNNを異種グラフへ適応させようとする試みがなされてきました。しかし、誤分類が生じる根本的な理由は、いまだ十分に理解されていません。本研究では、反復的に現れる帰納的部分グラフ（inductive subgraphs）に着目し、そのような部分グラフが、GNNを誤った方向へ導き、異種グラフにおける非因果的な相関を強化する「見かけ上の近道（spurious shortcuts）」として機能することを、実証的かつ理論的に示します。これに対処するために、因果推論の観点を採用し、近道となる帰納的部分グラフによって誘発されるバイアス付きの学習挙動を分析し、補正します。我々は、これらの近道に起因する交絡（confounding）経路やスピルオーバー（spillover）経路を明示的に遮断する、デバイアスドな因果グラフを提案します。この因果グラフに導かれて、因果的に独立した部分構造を明示的にブロックすることで、偽の帰納的部分グラフを真の因果的部分グラフから切り離す枠組みであるCausal Disentangled GNN（CD-GNN）を導入します。真の因果的シグナルに焦点を当てることで、CD-GNNは異種グラフにおけるノード分類の頑健性と精度を大幅に向上させます。実世界のデータセットに対する大規模な実験は、我々の理論的発見を検証するだけでなく、提案するCD-GNNが最先端の異種性対応ベースラインを上回ることを示しています。