CGRL：グラフの分布外（OOD）汎化のための因果ガイド付き表現学習

Abstract

グラフニューラルネットワーク（GNN）は、グラフ関連タスクにおいて目覚ましい性能を達成しています。しかし、外部分布外（OOD）データでは一般化が不十分です。これは、GNNが紛らわしい相関（spurious correlations）を学習しがちだからです。このような相関は、OODの設定下では、予測表現と真のラベル間の相互情報量をGNNが安定して学習できないという現象として現れます。これらの課題に対処するために、我々はノード分類の本質から出発して因果グラフを定式化し、非因果パスを遮断するためにバックドア調整（backdoor adjustment）を採用し、理論的にGNNのOOD一般化を改善するための下界を導出します。これらの洞察を具現化するために、因果表現学習と損失置換戦略を統合する新しいアプローチも提案します。前者はノードレベルの因果的不変性を捉え、グラフの事後分布を再構成します。後者は、元の損失を置き換えるために、同じオーダーの漸近損失を導入します。大規模な実験により、提案手法がOOD一般化において優れていること、そして不安定な相互情報量学習の現象を効果的に緩和できることが示されます。