Réseaux de neurones graphiques hétérophiles optimisés par passage de messages causaux

Dans ce travail, nous montrons que l'inférence causale constitue une approche prometteuse pour capturer le passage de messages hétérophiles dans les réseaux de neurones graphes (GNN). En exploitant l'analyse des relations cause-effet, nous pouvons identifier les arêtes hétérophiles à partir de dépendances asymétriques entre nœuds. La structure causale apprise permet de modéliser des relations plus précises entre les nœuds. Afin de réduire la complexité computationnelle, nous introduisons une inférence causale basée sur l'intervention dans le cadre de l'apprentissage sur graphes. Nous simplifions d'abord l'analyse causale sur les graphes en la formulant comme un modèle d'apprentissage structurel, et définissons le problème d'optimisation dans un cadre bayésien. Nous présentons ensuite une analyse de la décomposition de la fonction objectif en une pénalité de cohérence et une modification de structure fondée sur les relations cause-effet. Nous estimons ensuite cet objectif à l'aide de l'entropie conditionnelle, et fournissons des insights sur la manière dont l'entropie conditionnelle quantifie l'hétérophilie. En conséquence, nous proposons CausalMP, un réseau d'apprentissage par passage de messages causaux pour les graphes hétérophiles, qui apprend de manière itérative la structure causale explicite des graphes d'entrée. Nous menons des expériences étendues dans des scénarios de graphes à la fois hétérophiles et homophiles. Les résultats démontrent que notre modèle atteint des performances supérieures en prédiction de liens. L'apprentissage sur la structure causale améliore également la représentation des nœuds dans les tâches de classification, indépendamment du modèle de base utilisé.