CGRL: Causal-Guided Representation Learning for Node-Level Out-of-Distribution Generalization
Di cosa parla
Si propone CGRL, un metodo per rendere più robuste le reti che elaborano grafi nel classificare nodi quando i dati cambiano. Gli autori notano che questi modelli spesso apprendono rumore ambientale anziché segnali causali e mostrano un'instabilità chiamata Info-Jitter nella relazione tra caratteristiche e etichette. CGRL usa ragionamento causale per isolare percorsi non causali e separare le rappresentazioni in componenti intra- e inter-classe, amplificando segnali causali e riorganizzando lo spazio interno.
Cosa permette di osservare
Permette di esplorare come distinguere segnali causali da rumore ambientale nelle reti che elaborano grafi e come stabilizzare le rappresentazioni interne per classificare nodi quando la distribuzione dei dati cambia.
Dalla fonte
Graph Neural Networks (GNNs) deliver strong performance on graph tasks, but their accuracy drops significantly under out-of-distribution (OOD) scenarios. Under distribution shifts, GNNs often fit environmental noise and spurious correlations instead of stable causal mechanisms, leading to weak OOD robustness and unstable predictive representations. Existing solutions based on environment invariance or causal reasoning are insufficient for node classification, as they do not explicitly model the fine-grained latent geometry required by the task. We further observe a training instability named Info-Jitter, where the mutual information between predictive representations and ground-truth labels fluctuates throughout training. To address these issues, we construct a node-classification-specific causal graph derived from the task's geometric objective. Using do-calculus to block non-causal pa…