論文の概要: Inductive Subgraphs as Shortcuts: Causal Disentanglement for Heterophilic Graph Learning

• arxiv url: http://arxiv.org/abs/2604.19186v1
• Date: Tue, 21 Apr 2026 07:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.674644
• Title: Inductive Subgraphs as Shortcuts: Causal Disentanglement for Heterophilic Graph Learning
• Title（参考訳）: ショートカットとしての帰納的部分グラフ:好中球グラフ学習のための因果解離
• Authors: Xiangmeng Wang, Qian Li, Haiyang Xia, Hao Miao, Qing Li, Guandong Xu,
• Abstract要約: 本稿では,真の因果部分グラフから急激な帰納的部分グラフを分離する原理的フレームワークであるCausal Disentangled GNN(CD-GNN)を紹介する。 真の因果信号に焦点をあてることで、CD-GNNは異種グラフにおけるノード分類の堅牢性と精度を大幅に改善する。
• 参考スコア（独自算出の注目度）: 14.482250560507753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterophily is a prevalent property of real-world graphs and is well known to impair the performance of homophilic Graph Neural Networks (GNNs). Prior work has attempted to adapt GNNs to heterophilic graphs through non-local neighbor extension or architecture refinement. However, the fundamental reasons behind misclassifications remain poorly understood. In this work, we take a novel perspective by examining recurring inductive subgraphs, empirically and theoretically showing that they act as spurious shortcuts that mislead GNNs and reinforce non-causal correlations in heterophilic graphs. To address this, we adopt a causal inference perspective to analyze and correct the biased learning behavior induced by shortcut inductive subgraphs. We propose a debiased causal graph that explicitly blocks confounding and spillover paths responsible for these shortcuts. Guided by this causal graph, we introduce Causal Disentangled GNN (CD-GNN), a principled framework that disentangles spurious inductive subgraphs from true causal subgraphs by explicitly blocking non-causal paths. By focusing on genuine causal signals, CD-GNN substantially improves the robustness and accuracy of node classification in heterophilic graphs. Extensive experiments on real-world datasets not only validate our theoretical findings but also demonstrate that our proposed CD-GNN outperforms state-of-the-art heterophily-aware baselines.
• Abstract（参考訳）: ヘテロフィリーは実世界のグラフの一般的な性質であり、ホモ親和性グラフニューラルネットワーク(GNN)の性能を損なうことはよく知られている。 これまでの研究は、非局所的な隣人拡張やアーキテクチャの洗練を通じて、GNNを異種グラフに適応させようとしてきた。 しかし、誤分類の根本的な理由はよく分かっていない。 本研究では, GNNを誤解させ, 異種グラフにおける非因果関係を補強する突発的ショートカットとして機能することを示す, 反復的な帰納的部分グラフを経験的かつ理論的に検証することによって, 新たな視点を採る。 これを解決するために、我々は因果推論の視点を採用し、短い帰納的部分グラフによって引き起こされるバイアス学習行動を分析し、修正する。 本稿では,これらのショートカットに責任を負う共起経路や流出経路を明示的にブロックする因果グラフを提案する。 この因果グラフで導かれた因果解離GNN(CD-GNN)は,非因果パスを明示的にブロックすることにより,真の因果部分グラフから突発的帰納的部分グラフをアンタングルする原理的枠組みである。 真の因果信号に焦点をあてることで、CD-GNNは異種グラフにおけるノード分類の堅牢性と精度を大幅に改善する。 実世界のデータセットに対する大規模な実験は、我々の理論的な結果を検証するだけでなく、提案したCD-GNNが最先端のヘテロフィリー認識ベースラインより優れていることを示す。

関連論文リスト

• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure [46.86463923605841]
  本稿では、重度バイアスのあるトレーニンググラフについて、グラフ分類調査を行う。 我々は、GNNが常に決定を下すために急激な相関関係を探索する傾向があることに気付きました。 本稿では、因果部分構造とバイアス部分構造を学習するための一般的な非絡み合いGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:55:52Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• 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)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)

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。