基于因果推断的多plex图无因果表示学习
机器学习
2026-03-26 v1 社会与信息网络
摘要
从多plex 图（即节点通过多种关系类型进行交互的多层网络）中学习表示由于共有（common）和层特定（private）信息的纠缠，导致泛化和可解释性受限。本文引入基于因果推断的框架，以自监督方式分离共有和私有组件。CaDeM 联合（i）跨层对齐共享嵌入，（ii）强制私有嵌入捕获层特定信号，（iii）应用背门调整以确保共有嵌入仅捕获全局信息且与私有表示分离。在合成和真实数据集上的实验表明，我们的方法相对于现有基线实现了持续的改进，凸显了该方法对于稳健和可解释的多plex 图表示学习的有效性。
引用
@article{arxiv.2603.24105,
title = {Causality-Driven Disentangled Representation Learning in Multiplex Graphs},
author = {Saba Nasiri and Selin Aviyente and Dorina Thanou},
journal= {arXiv preprint arXiv:2603.24105},
year = {2026}
}
备注
Submitted to IEEE Transactions on Signal and Information Processing over Networks. Includes supplementary material