論文の概要: A Recipe for Causal Graph Regression: Confounding Effects Revisited

• arxiv url: http://arxiv.org/abs/2507.00440v1
• Date: Tue, 01 Jul 2025 05:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.348424
• Title: A Recipe for Causal Graph Regression: Confounding Effects Revisited
• Title（参考訳）: 因果グラフ回帰のレシピ:再考
• Authors: Yujia Yin, Tianyi Qu, Zihao Wang, Yifan Chen,
• Abstract要約: 因果グラフ学習(CGL)は、アウト・オブ・ディストリビューション(OOD)シナリオ下でグラフニューラルネットワークの一般化性を改善するための有望なアプローチである。 我々は、グラフ学習においてより困難な設定である因果回帰(CGR)に取り組むことに注力する。 我々は,グラフレベルの回帰における共同創設者の予測力を反映し,対比学習のレンズを通して分類特化因果介入手法を回帰に一般化する。
• 参考スコア（独自算出の注目度）: 10.615260306723536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Through recognizing causal subgraphs, causal graph learning (CGL) has risen to be a promising approach for improving the generalizability of graph neural networks under out-of-distribution (OOD) scenarios. However, the empirical successes of CGL techniques are mostly exemplified in classification settings, while regression tasks, a more challenging setting in graph learning, are overlooked. We thus devote this work to tackling causal graph regression (CGR); to this end we reshape the processing of confounding effects in existing CGL studies, which mainly deal with classification. Specifically, we reflect on the predictive power of confounders in graph-level regression, and generalize classification-specific causal intervention techniques to regression through a lens of contrastive learning. Extensive experiments on graph OOD benchmarks validate the efficacy of our proposals for CGR. The model implementation and the code are provided on https://github.com/causal-graph/CGR.
• Abstract（参考訳）: 因果グラフの認識を通じて、因果グラフ学習(CGL)は、オフ・オブ・ディストリビューション(OOD)シナリオ下でグラフニューラルネットワークの一般化性を改善するための有望なアプローチとなった。 しかし、CGL手法の実証的な成功は、主に分類設定で実証されるが、グラフ学習においてより難しい回帰タスクは見過ごされてしまう。 そこで我々は、因果グラフ回帰(CGR)に取り組むことにこの研究を熱心に取り組んでおり、最終的には、主に分類を扱う既存のCGL研究において、共起効果の処理を再構築する。 具体的には、グラフレベルの回帰における共同創設者の予測力を反映し、対比学習のレンズを通して分類固有の因果介入手法を一般化する。 グラフOODベンチマークの大規模な実験により,CGRに対する提案の有効性が検証された。 モデルの実装とコードはhttps://github.com/causal-graph/CGRで提供されている。

関連論文リスト

• FIT-GNN: Faster Inference Time for GNNs Using Coarsening [1.323700980948722]
  粗大化に基づく手法は、グラフをより小さなグラフに減らし、より高速な計算をもたらす。 従来の研究は、推論フェーズにおける計算コストに十分な対処を行っていなかった。 本稿では,GNNの学習と推論の両段階における計算負担を軽減することにより,GNNのスケーラビリティを向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-19T06:27:24Z)
• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。