ノードとエッジの相互作用を高次元因果モデリングで捉えることでエッジ分類を前進させる

要旨: グラフ応用における重要なタスクであるエッジ分類は、リンク予測と比べると、比較的十分に調査されていません。現在の手法はしばしば、ノード属性がエッジ属性に与える潜在的な因果的影響の可能性を見落としており、その結果、関連する事前情報の損失につながっています。本研究では、因果エッジ分類フレームワーク（CECF）を用いた実証的な探究を提示します。従来の因果推論手法とは異なり、CECFは、エッジ分類タスクに対して因果推論の原理を適用すること、さらに因果的枠組みにおいてエッジ属性を高次元の処置（treatment）としてモデリングすることを探究するための、初めてのフレームワークです。グラフニューラルネットワーク（GNN）のノード埋め込みに基づき、CECFは、ノード属性の潜在的な影響を抑制することで、高次元のエッジ属性のためのバランスの取れた表現を学習しようとします。その後、クロスアテンションネットワークが、ノード属性とエッジ属性の間の複雑な依存関係を捉え、最終的なエッジ分類を行います。大規模な実験により、CECFが単に優れた性能を達成するだけでなく、既存手法に対する柔軟でプラグアンドプレイな改良として機能することも示されます。また、本研究では実証的な分析も提供し、この高次元の因果モデリングの枠組みがエッジ分類に対して「いつ」「どのように」機能するのかについての洞察を示します。