Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization

要約

私たちは、グラフの分布外 (OOD) 一般化の問題に取り組みます。
既存のグラフ OOD アルゴリズムは、制限された仮定に依存しているか、トレーニング データ内の環境情報を活用できません。
この研究では、ラベルと環境の因果的独立性 (LECI) を同時に組み込んで、ラベルと環境の情報を十分に活用し、それによって因果サブグラフと不変サブグラフを特定する際の従来の方法が直面する課題に対処することを提案します。
さらに、理論的保証を備えた因果サブグラフ発見のためにこれら 2 つの特性を共同で最適化するための敵対的トレーニング戦略を開発します。
広範な実験と分析により、LECI は合成データセットと現実世界のデータセットの両方で従来の方法よりも大幅に優れたパフォーマンスを示し、グラフ OOD 一般化のための実用的かつ効果的なソリューションとして LECI が確立されました。

要約(オリジナル)

We tackle the problem of graph out-of-distribution (OOD) generalization. Existing graph OOD algorithms either rely on restricted assumptions or fail to exploit environment information in training data. In this work, we propose to simultaneously incorporate label and environment causal independence (LECI) to fully make use of label and environment information, thereby addressing the challenges faced by prior methods on identifying causal and invariant subgraphs. We further develop an adversarial training strategy to jointly optimize these two properties for causal subgraph discovery with theoretical guarantees. Extensive experiments and analysis show that LECI significantly outperforms prior methods on both synthetic and real-world datasets, establishing LECI as a practical and effective solution for graph OOD generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google