图表示学习中因果推断应用的深入分析
机器学习
2026-04-13 v1 人工智能
摘要
在图表示学习中建模因果关系仍是根本性挑战。现有方法常借助因果推断的理论和方法来识别因果子图或缓解混杂变量。然而，由于图结构数据的内在复杂性，这些方法经常将多样化的图元素聚合为单个因果变量，操作风险违反因果推断的核心假设。在本文中，我们证明了这种聚合会损害因果有效性。基于此结论，我们提出一种基于图数据最小不可分割单元的理论模型，以确保因果有效性。随后，我们分析实现精确因果建模的成本，并确定问题可被简化的条件。为实证支持我们的理论，我们构建了一个反映真实世界因果结构的可控合成数据集，并进行大量实验进行验证。最后，我们开发了一个可无缝集成到现有图学习管道中的因果建模增强模块，并通过全面的比较实验展示其有效性。
引用
@article{arxiv.2604.08890,
title = {A Closer Look at the Application of Causal Inference in Graph Representation Learning},
author = {Hang Gao and Kunyu Li and Huang Hong and Baoquan Cui and Fengge Wu},
journal= {arXiv preprint arXiv:2604.08890},
year = {2026}
}