概要: マルチプレックスグラフ、すなわち複数の関係タイプを通じてノードが相互作用するマルチレイヤーネットワークから表現を学習することは、共有情報（共通）とレイヤー固有情報（private）が絡み合うために困難であり、その結果、汎化性能と解釈可能性が制限されます。本研究では、因果推論に基づく枠組みを提案し、自分自身を教師とする（self-supervised）方式で共通成分とprivate成分を切り離します。CaDeMは、(i) レイヤー間で共有埋め込みを整列させ、(ii) private埋め込みがレイヤー固有の信号を捉えるように強制し、(iii) バックドア調整を適用して、共通埋め込みがグローバル情報のみを捉えるようにしつつ、それをprivate表現から切り離すことを保証します。合成データセットおよび実世界データセットでの実験では、既存のベースラインに対して一貫した改善が示され、本手法が頑健で解釈可能なマルチプレックスグラフ表現学習に有効であることが明らかになりました。
多重グラフにおける因果関係駆動の非絡み表現学習
arXiv cs.LG / 2026/3/26
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、多重グラフにおける表現学習が、共有情報（共通）と層固有情報（プライベート）の間の絡み（entanglement）によって妨げられ、汎化性能と解釈可能性が低下する点に取り組む。
- 共有成分とプライベート成分を複数の関係層にわたって非絡み化する、因果推論に基づく自己教師ありフレームワーク（CaDeM）を提案する。
- CaDeMは、層間で共有埋め込みを共同で整合させ、プライベート埋め込みが層固有の信号を符号化するよう制約し、さらに後門調整（backdoor adjustment）を用いて共有埋め込みがプライベート層の情報を取り込むことを防ぐ。
- 合成データおよび実世界の多重グラフ・データセットの両方での実験により、先行ベースラインに対する一貫した改善が示され、学習表現の頑健性と解釈可能性の向上が示唆される。
