摘要
在本工作中，我们发现因果推断为捕捉图神经网络（Graph Neural Network, GNN）中的异质性消息传递（heterophilic message-passing）提供了一条有前景的路径。通过利用因果效应分析，我们能够基于节点间的非对称依赖关系识别出异质性边，所学习到的因果结构能够更准确地刻画节点之间的关系。为降低计算复杂度，我们引入了基于干预的因果推断方法用于图学习。首先，我们将图上的因果分析简化为一个结构学习模型，并在贝叶斯框架下定义了相应的优化问题；随后，我们分析了将优化目标分解为一致性惩罚项与基于因果关系的结构修正项的可行性。在此基础上，我们通过条件熵对目标进行估计，并深入揭示了条件熵如何量化异质性特征。基于上述理论分析，我们提出了CausalMP——一种用于异质性图学习的因果消息传递发现网络，该模型能够迭代地学习输入图的显式因果结构。我们在异质性和同质性图设置下进行了大量实验，结果表明，所提出的模型在链接预测任务上均取得了优异性能。此外，基于因果结构进行训练还能有效提升多种基础模型在节点分类任务中的表示能力。