論文の概要: CGRL: Causal-Guided Representation Learning for Graph Out-of-Distribution Generalization

• arxiv url: http://arxiv.org/abs/2603.24304v1
• Date: Wed, 25 Mar 2026 13:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.313374
• Title: CGRL: Causal-Guided Representation Learning for Graph Out-of-Distribution Generalization
• Title（参考訳）: CGRL: Graph Out-of-Distribution Generalizationのための因果指導型表現学習
• Authors: Bowen Lu, Liangqiang Yang, Teng Li,
• Abstract要約: グラフニューラルネットワーク(GNN)は,グラフ関連タスクにおいて,優れたパフォーマンスを実現している。 GNNは、突発的な相関を学習する傾向があるため、アウト・オブ・ディストリビューション(OOD)データの一般化に苦しむ。 ノード分類の本質から始まる因果グラフを定式化し、非因果経路をブロックするためのバックドア調整を採用し、理論的にはGNNのOOD一般化を改善するための下位境界を導出する。
• 参考スコア（独自算出の注目度）: 1.7374153389097498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved impressive performance in graph-related tasks. However, they suffer from poor generalization on out-of-distribution (OOD) data, as they tend to learn spurious correlations. Such correlations present a phenomenon that GNNs fail to stably learn the mutual information between prediction representations and ground-truth labels under OOD settings. To address these challenges, we formulate a causal graph starting from the essence of node classification, adopt backdoor adjustment to block non-causal paths, and theoretically derive a lower bound for improving OOD generalization of GNNs. To materialize these insights, we further propose a novel approach integrating causal representation learning and a loss replacement strategy. The former captures node-level causal invariance and reconstructs graph posterior distribution. The latter introduces asymptotic losses of the same order to replace the original losses. Extensive experiments demonstrate the superiority of our method in OOD generalization and effectively alleviating the phenomenon of unstable mutual information learning.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ関連タスクにおいて,優れたパフォーマンスを実現している。 しかし、彼らは、急激な相関を学習する傾向があるため、アウト・オブ・ディストリビューション(OOD)データの一般化に苦しむ。 このような相関関係は、GNNがOOD設定下で予測表現と接地トラストラベルの相互情報を安定的に学習できない現象を示す。 これらの課題に対処するために、ノード分類の本質から始まる因果グラフを定式化し、非因果経路をブロックするためのバックドア調整を採用し、理論的にはGNNのOOD一般化を改善するための下位境界を導出する。 これらの知見を具現化するために,因果表現学習と損失代替戦略を統合した新しいアプローチを提案する。 前者はノードレベルの因果不変性を捉え、グラフ後部分布を再構成する。 後者は、元の損失を置き換えるため、同じ順序で漸近的な損失をもたらす。 OOD一般化における本手法の優位性を実証し,不安定な相互情報学習の現象を効果的に緩和する実験を行った。

関連論文リスト

• 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)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• 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。