归纳子图作为捷径：用于异构图学习的因果解�合

异构性是真实图中常见的属性，已知会损害基于同构性图神经网络（GNNs）的性能。先前的工作通过非局部邻居扩展或架构细化来适应异构图，但背后的根本原因仍鲜有了解。本文从新视角出发，考察了反复出现的归纳子图，实证和理论地表明它们充当误导GNNs的虚假捷径，并强化非因果相关。在此基础上，我们采用因果推断视角分析和纠正由虚假捷径引发的偏置学习行为。我们提出一种去偏置的因果图，显式阻断导致这些捷径的混杂路径和溢出路径。基于该因果图，我们引入因果解�合图神经网络（CD-GNN），构建一个原则性框架，通过显式阻断非因果路径来解�合虚假归纳子图与真实因果子图。CD-GNN聚焦于真正的因果信号，显著提升了在异构图中的鲁棒性和准确度。大量真实数据集实验不仅验证了我们的理论发现，还表明我们提出的CD-GNN在性能上优于当前最先进的异构性感知基线方法。