CAT：用于修剪异配图的因果图注意力网络

图注意力网络（Graph Attention Networks, GATs）采用的局部注意力引导消息传递机制（Local Attention-guided Message Passing Mechanism, LAMP）旨在自适应地学习相邻节点的重要性，以实现更好的图上局部聚合，这可以有效拉近相似邻居的表示，从而展现出更强的判别能力。然而，现有的 GAT 在异配图中的判别能力显著下降，因为高比例的不相似邻居会削弱中心节点的自注意力，共同导致中心节点在表示空间中偏离相似节点。本文将这种由相邻节点产生的效应称为干扰效应（Distraction Effect, DE）。为了估计和削弱相邻节点的 DE，我们提出了一种用于修剪异配图的因果图注意力网络（Causally graph Attention network for Trimming heterophilic graph, CAT）。为了估计 DE，由于 DE 通过两条路径产生（夺取分配给邻居的注意力和降低中心节点的自注意力），我们使用总效应来建模 DE，这是一种因果估计量，可以从干预数据中估计；为了削弱 DE，我们识别具有最高 DE 的邻居（我们称之为干扰邻居）并将其移除。我们在所提的 CAT 框架内采用三种具有代表性的 GAT 作为基础模型，并在三种不同规模的七个异配数据集上进行了实验。对比实验表明，CAT 可以提高所有基础 GAT 模型的节点分类准确率。消融实验和可视化进一步验证了 CAT 带来的判别能力增强。源代码可在 https://github.com/GeoX-Lab/CAT 获取。