論文の概要: SCL-GNN: Towards Generalizable Graph Neural Networks via Spurious Correlation Learning

• arxiv url: http://arxiv.org/abs/2603.08270v1
• Date: Mon, 09 Mar 2026 11:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.886285
• Title: SCL-GNN: Towards Generalizable Graph Neural Networks via Spurious Correlation Learning
• Title（参考訳）: SCL-GNN:スパージャ相関学習による一般化可能なグラフニューラルネットワークを目指して
• Authors: Yuxiang Zhang, Enyan Dai,
• Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著な成功を収めている。 GNNは、たとえそのような相関が予測に信頼できないとしても、トレーニングデータにおいて受容不能な統計的相関を利用する傾向がある。 本稿では,独立分散(IID)グラフとアウト・オブ・ディストリビューション(OOD)グラフの両方を一般化するための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.004932896426347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have demonstrated remarkable success across diverse tasks. However, their generalization capability is often hindered by spurious correlations between node features and labels in the graph. Our analysis reveals that GNNs tend to exploit imperceptible statistical correlations in training data, even when such correlations are unreliable for prediction. To address this challenge, we propose the Spurious Correlation Learning Graph Neural Network (SCL-GNN), a novel framework designed to enhance generalization on both Independent and Identically Distributed (IID) and Out-of-Distribution (OOD) graphs. SCL-GNN incorporates a principled spurious correlation learning mechanism, leveraging the Hilbert-Schmidt Independence Criterion (HSIC) to quantify correlations between node representations and class scores. This enables the model to identify and mitigate irrelevant but influential spurious correlations effectively. Additionally, we introduce an efficient bi-level optimization strategy to jointly optimize modules and GNN parameters, preventing overfitting. Extensive experiments on real-world and synthetic datasets demonstrate that SCL-GNN consistently outperforms state-of-the-art baselines under various distribution shifts, highlighting its robustness and generalization capabilities.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著な成功を収めている。 しかし、それらの一般化能力は、しばしばグラフ内のノード特徴とラベルの間の急激な相関によって妨げられる。 分析の結果,GNNは予測に信頼性が低い場合であっても,トレーニングデータにおいて認識不能な統計的相関を利用する傾向にあることが明らかとなった。 この課題に対処するために、独立分散(IID)グラフとアウト・オブ・ディストリビューション(OOD)グラフの両方を一般化する新しいフレームワークであるSCL-GNN(Spurious correlation Learning Graph Neural Network)を提案する。 SCL-GNNは、Hilbert-Schmidt Independence Criterion (HSIC)を活用して、ノード表現とクラススコア間の相関関係を定量化する原理的な相関学習機構を取り入れている。 これにより、モデルは無関係だが影響のある素因的相関を効果的に識別し緩和することができる。 さらに、モジュールとGNNパラメータを協調的に最適化し、オーバーフィッティングを防止できる効率的な双方向最適化手法を導入する。 実世界のデータセットと合成データセットに関する大規模な実験により、SCL-GNNは様々な分散シフトの下で、常に最先端のベースラインより優れており、その堅牢性と一般化能力を強調している。

関連論文リスト

• Causal Neighbourhood Learning for Invariant Graph Representations [8.854365724044984]
  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。
  論文  参考訳（メタデータ） (2026-02-20T01:52:58Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• 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)

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。