이질성 있는 그래프 신경망의 인과적 메시지 전달을 통한 최적화

본 연구에서는 인과 추론이 그래프 신경망(GNN)에서 이질적 메시지 전파(heterophilic message-passing)를 포착하는 데 효과적인 접근법임을 발견하였다. 인과-영향 분석을 활용함으로써 비대칭적인 노드 의존성에 기반하여 이질적 엣지를 식별할 수 있으며, 학습된 인과 구조는 노드 간의 관계를 더 정확하게 반영한다. 계산 복잡도를 줄이기 위해, 그래프 학습에 간섭 기반 인과 추론을 도입한다. 먼저, 인과 분석을 구조적 학습 모델로 정식화함으로써 그래프 상의 인과 분석을 단순화하고 베이지안 체계 내에서 최적화 문제를 정의한다. 그 후, 최적화 목표를 인과-영향 관계를 기반으로 한 일관성 페널티와 구조 수정으로 분해하는 분석을 제시한다. 이후 조건부 엔트로피를 활용하여 이 목표를 추정하고, 조건부 엔트로피가 이질성(heterophily)을 어떻게 정량화하는지에 대한 통찰을 제시한다. 이를 바탕으로, 입력 그래프의 명시적 인과 구조를 반복적으로 학습하는 이질적 그래프 학습을 위한 인과 메시지 전파 탐지 네트워크인 CausalMP를 제안한다. 다양한 이질적 및 동질적 그래프 환경에서 광범위한 실험을 수행한 결과, 제안 모델이 우수한 링크 예측 성능을 달성함을 확인하였다. 또한, 인과 구조를 기반으로 학습하는 것은 다양한 기본 모델에서 노드 표현을 개선함으로써 분류 작업의 성능을 향상시킨다는 점도 확인되었다.