Fugu-MT 論文翻訳(概要): Causal Neighbourhood Learning for Invariant Graph Representations

論文の概要: Causal Neighbourhood Learning for Invariant Graph Representations

arxiv url: http://arxiv.org/abs/2602.17934v1
Date: Fri, 20 Feb 2026 01:52:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-23 18:01:41.202666
Title: Causal Neighbourhood Learning for Invariant Graph Representations
Title（参考訳）: 不変グラフ表現のための因果近傍学習
Authors: Simi Job, Xiaohui Tao, Taotao Cai, Haoran Xie, Jianming Yong,
Abstract要約: 本稿では,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いた因果学習(CNL-GNN)を提案する。 CNL-GNNは因果関係を効果的に同定し、保存し、刺激的な影響を減少させる。提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。
参考スコア（独自算出の注目度）: 8.854365724044984
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Graph data often contain noisy and spurious correlations that mask the true causal relationships, which are essential for enabling graph models to make predictions based on the underlying causal structure of the data. Dependence on spurious connections makes it challenging for traditional Graph Neural Networks (GNNs) to generalize effectively across different graphs. Furthermore, traditional aggregation methods tend to amplify these spurious patterns, limiting model robustness under distribution shifts. To address these issues, we propose Causal Neighbourhood Learning with Graph Neural Networks (CNL-GNN), a novel framework that performs causal interventions on graph structure. CNL-GNN effectively identifies and preserves causally relevant connections and reduces spurious influences through the generation of counterfactual neighbourhoods and adaptive edge perturbation guided by learnable importance masking and an attention-based mechanism. In addition, by combining structural-level interventions with the disentanglement of causal features from confounding factors, the model learns invariant node representations that are robust and generalize well across different graph structures. Our approach improves causal graph learning beyond traditional feature-based methods, resulting in a robust classification model. Extensive experiments on four publicly available datasets, including multiple domain variants of one dataset, demonstrate that CNL-GNN outperforms state-of-the-art GNN models.
Abstract（参考訳）: グラフデータには、真の因果関係を隠蔽するノイズや刺激的な相関が含まれており、グラフモデルがデータの基本因果構造に基づいて予測を行うのに不可欠である。スプリアス接続に依存するため、従来のグラフニューラルネットワーク(GNN)では、さまざまなグラフを効果的に一般化することは困難である。さらに、従来のアグリゲーション手法はこれらの急激なパターンを増幅し、分散シフトの下でモデルロバスト性を制限する傾向にある。これらの問題に対処するために,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いたCausal Neighbourhood Learning (CNL-GNN)を提案する。 CNL-GNNは、因果関係を効果的に識別し保存し、学習可能な重要マスキングと注意に基づくメカニズムによって導かれる対実的近傍と適応的エッジ摂動の生成を通じて、急激な影響を減少させる。さらに、構造レベルの介入と境界要素からの因果的特徴の切り離しを組み合わせることで、モデルは異なるグラフ構造に対して頑健で一般化された不変なノード表現を学習する。提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。 1つのデータセットの複数のドメイン変種を含む4つの公開データセットに関する大規模な実験は、CNL-GNNが最先端のGNNモデルより優れていることを示した。

関連論文リスト

Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders [10.98141213691198]
因果学習は単なる関連よりも原因と効果の関係を理解するのに役立つ。従来のグラフ機械学習手法は相関に頼り、急激なパターンや分布の変化に敏感である。我々は、因果推論をグラフ学習に組み込んだ、共同創設者・認識型因果GNNフレームワークであるCCAGNNを提案する。
論文参考訳（メタデータ） (2026-02-20T02:19:20Z)
Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
論文参考訳（メタデータ） (2024-10-23T07:14:37Z)
Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文参考訳（メタデータ） (2024-06-13T00:18:20Z)
Addressing the Impact of Localized Training Data in Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習において顕著な成功を収めた。本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
論文参考訳（メタデータ） (2023-07-24T11:04:22Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。