論文の概要: Quantifying Distributional Invariance in Causal Subgraph for IRM-Free Graph Generalization

• arxiv url: http://arxiv.org/abs/2510.20295v1
• Date: Thu, 23 Oct 2025 07:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.52619
• Title: Quantifying Distributional Invariance in Causal Subgraph for IRM-Free Graph Generalization
• Title（参考訳）: IRMフリーグラフ一般化のための因果部分グラフの分布不変性の定量化
• Authors: Yang Qiu, Yixiong Zou, Jun Wang, Wei Liu, Xiangyu Fu, Ruixuan Li,
• Abstract要約: 我々は、因果部分グラフをキャプチャするためのIRMフリーな手法を開発した。 まず、因果部分グラフは非因果成分よりも分布のばらつきがかなり小さいと同定した。 本手法はグラフ一般化における最先端手法を一貫して上回る。
• 参考スコア（独自算出の注目度）: 21.638604000284236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution generalization under distributional shifts remains a critical challenge for graph neural networks. Existing methods generally adopt the Invariant Risk Minimization (IRM) framework, requiring costly environment annotations or heuristically generated synthetic splits. To circumvent these limitations, in this work, we aim to develop an IRM-free method for capturing causal subgraphs. We first identify that causal subgraphs exhibit substantially smaller distributional variations than non-causal components across diverse environments, which we formalize as the Invariant Distribution Criterion and theoretically prove in this paper. Building on this criterion, we systematically uncover the quantitative relationship between distributional shift and representation norm for identifying the causal subgraph, and investigate its underlying mechanisms in depth. Finally, we propose an IRM-free method by introducing a norm-guided invariant distribution objective for causal subgraph discovery and prediction. Extensive experiments on two widely used benchmarks demonstrate that our method consistently outperforms state-of-the-art methods in graph generalization.
• Abstract（参考訳）: 分散シフトの下での分布外一般化は、グラフニューラルネットワークにとって重要な課題である。 既存の方法は一般的に不変リスク最小化(IRM)フレームワークを採用しており、コストのかかる環境アノテーションやヒューリスティックに生成された合成分割を必要とする。 本研究は,これらの制約を回避するために,因果部分グラフをキャプチャするIRMフリーな手法を開発することを目的とする。 まず, 因果部分グラフは多様な環境における非因果成分よりも分布のばらつきが著しく小さく, 不変分布基準として定式化し, 理論的に証明した。 この基準に基づいて, 因果部分グラフの同定のための分布シフトと表現ノルムの定量的な関係を系統的に解明し, その基盤となるメカニズムについて検討する。 最後に、因果部分グラフの発見と予測のためのノルム誘導不変分布目標を導入し、IRMフリーな手法を提案する。 広範に使用されている2つのベンチマークの大規模な実験により、我々の手法はグラフ一般化における最先端の手法よりも一貫して優れていることが示された。

関連論文リスト

• Consistent DAG selection for Bayesian causal discovery under general error distributions [9.971549076128268]
  変数集合の因果構造を学習する問題を考察する。 関連するエラーは独立であり、非ガウス的であることが許される。 真のデータ生成指向非巡回グラフ(DAG)構造を特定するためにベイズ階層モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-01T18:03:28Z)
• Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
  本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。 我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2025-02-11T21:24:13Z)
• Generalized Criterion for Identifiability of Additive Noise Models Using Majorization [7.448620208767376]
  本稿では,有向非巡回グラフ(DAG)モデルに対する新しい識別可能性基準を提案する。 この基準が既存の識別可能性基準を拡張し、一般化することを実証する。 本稿では,変数のトポロジ的順序付けを学習するための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:18:57Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Achieving Efficiency in Black Box Simulation of Distribution Tails with Self-structuring Importance Samplers [1.6114012813668934]
  本稿では,線形プログラムや整数線形プログラム,ピースワイド線形・二次目的,ディープニューラルネットワークで指定された特徴マップなど,多種多様なツールでモデル化されたパフォーマンス指標の分布を推定する,新しいImportance Smpling(IS)方式を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:37:22Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。