グラフ表現学習における因果推論の適用をより詳しく見る

概要: グラフ表現学習における因果関係のモデリングは、依然として根本的な課題である。既存のアプローチの多くは、因果推論の理論や手法を利用して、因果部分グラフを特定したり、交絡因子を抑制したりする。しかし、グラフ構造化データが本質的に複雑であるため、これらのアプローチはしばしば多様なグラフ要素を単一の因果変数へと集約してしまう。この操作は、因果推論の中核となる仮定を破る危険がある。本研究では、このような集約が因果的妥当性を損なうことを証明する。この結論に基づき、因果的妥当性が保証されるように、グラフデータの最小の不可分単位に基づく理論モデルを提案する。本モデルを用いて、グラフ表現学習において精密な因果モデリングを達成するためのコストをさらに分析し、問題を簡略化できる条件を特定する。理論を実証的に裏付けるために、実世界の因果構造を反映した制御可能な合成データセットを構築し、検証のための大規模な実験を行う。最後に、既存のグラフ学習パイプラインへシームレスに統合できる因果モデリング強化モジュールを開発し、包括的な比較実験によりその有効性を示す。