因果メッセージパッシングを用いた異質的グラフニューラルネットワークの最適化

本研究では、因果推論がグラフニューラルネットワーク（GNN）における異質的メッセージ伝達（heterophilic message-passing）を捉える有望なアプローチであることを発見した。因果効果分析を活用することで、非対称なノード依存関係に基づき、異質的エッジを識別可能となる。学習された因果構造は、ノード間のより正確な関係性を提供する。計算複雑性を低減するため、グラフ学習において介入に基づく因果推論を導入した。まず、因果分析を構造学習モデルとして定式化し、ベイズ枠組み内で最適化問題を定義することで、グラフ上の因果分析を簡素化した。次に、最適化目標を因果関係に基づく構造修正と一貫性ペナルティに分解する分析を提示した。その後、条件付きエントロピーを用いてこの目標を推定し、条件付きエントロピーが異質性（heterophily）をどのように定量化するかに関する洞察を明らかにした。これらの知見を基に、入力グラフの明示的な因果構造を反復的に学習する異質的グラフ学習向け因果メッセージ伝達発見ネットワーク「CausalMP」を提案した。広範な実験を通じて、異質的および同質的グラフ設定の両方で評価を行った結果、本モデルは優れたリンク予測性能を達成することが示された。また、因果構造に基づく学習は、異なるベースモデルにおいてもノード表現の品質向上に寄与することが確認された。