稀疏因果发现：基于生成性干预的无监督图域适应
机器学习
2025-07-11 v1
摘要
无监督图域适应(UGDA)利用标记的源域图谱以实现对未标记目标域图谱的有效性能，尽管存在分布迁移。然而，现有方法往往因因果-假性特征的缠结以及全局对齐策略的失效而yield 次优结果。我们提出SLOGAN(Sparse Causal Discovery with Generative Intervention)，一种新方法，通过稀疏因果建模和动态干预机制实现稳定的图表示迁移。具体而言，SLOGAN首先构建稀疏因果图结构，利用互信息瓶颈约束来解耦稀疏、稳定的因果特征，同时通过变分推断压缩域依赖的假性相关性。为解决残余假性相关性，我们创新性地设计了一种生成性干预机制，通过跨域特征重组合合破坏局部假性耦合，同时通过协方差约束保持因果特征语义一致性。此外，为缓解目标域伪标签中的误差累积，我们引入一种类别自适应的动态校准策略，确保稳定的判别式学习。多个真实世界数据集上的广泛实验表明，SLOGAN显著优于现有基线方法。
引用
@article{arxiv.2507.07621,
title = {Sparse Causal Discovery with Generative Intervention for Unsupervised Graph Domain Adaptation},
author = {Junyu Luo and Yuhao Tang and Yiwei Fu and Xiao Luo and Zhizhuo Kou and Zhiping Xiao and Wei Ju and Wentao Zhang and Ming Zhang},
journal= {arXiv preprint arXiv:2507.07621},
year = {2025}
}
备注
ICML 2025