Neue Methode nutzt redundante Infos für robuste Graphrepräsentationen

Ein neues Forschungsprojekt aus dem Bereich der Graphenverarbeitung hat einen innovativen Ansatz vorgestellt, der die Generalisierung von Graphrepräsentationen außerhalb der Trainingsverteilung (OOD) deutlich verbessert. Das Ziel ist es, Modelle zu entwickeln, die nicht von spurious (trügerischen) Strukturen abhängig sind, sondern robuste, invariantere Merkmale lernen.

Der Schlüssel liegt in der Anwendung der Partial Information Decomposition (PID), einer erweiterten Informationstheorie, die über klassische Maße hinausgeht. Durch PID kann genau ermittelt werden, welche redundanten Informationen über das Zielvariable Y zwischen spurious Subgraphen G_s und invariant Subgraphen G_c geteilt werden. Diese Erkenntnis ermöglicht es, gezielt die redundanten Teile zu maximieren und gleichzeitig die spurious Komponenten zu isolieren.

Auf Basis dieser Idee wurde das Redundancy‑guided Invariant Graph Learning (RIG) Framework entwickelt. RIG arbeitet in mehreren Optimierungsebenen: Zunächst wird ein unteres Schrankenmaß für die redundante Information geschätzt, gefolgt von einer Maximierung dieses Maßes zusammen mit zusätzlichen Zielen. Durch diese abwechselnde Vorgehensweise wird die Modellleistung bei unterschiedlichen Verteilungsverschiebungen signifikant gesteigert.

Experimentelle Ergebnisse auf synthetischen und realen Graphdatensätzen belegen die Wirksamkeit von RIG. Die Modelle zeigen eine robuste OOD‑Generalisation und demonstrieren damit das Potenzial, die Grenzen herkömmlicher invarianter Lernmethoden zu überwinden.