Neues GNN-Modell reduziert spurious Verbindungen für Graphrepräsentationen

Graphdaten sind häufig von Rauschen und trügerischen Zusammenhängen durchdrungen, die die eigentlichen kausalen Beziehungen verbergen. Diese spurious Verbindungen erschweren es herkömmlichen Graph Neural Networks (GNNs), über verschiedene Graphen hinweg zuverlässig zu generalisieren, und verstärken die Fehler sogar bei der Aggregation.

Um dem entgegenzuwirken, wurde das neue Framework Causal Neighbourhood Learning with Graph Neural Networks (CNL‑GNN) entwickelt. Das Modell führt gezielte kausale Interventionen in der Graphstruktur durch, identifiziert und bewahrt kausal relevante Verbindungen und reduziert spurious Einflüsse. Dabei werden counterfactual Nachbarschaften erzeugt und Kanten adaptiv perturbiert, wobei lernbare Wichtigkeitsmasken und ein attention‑basiertes System die Auswahl steuern.

Durch die Kombination von strukturellen Interventionen mit der Trennung kausaler Merkmale von Störfaktoren lernt CNL‑GNN invariant robuste Knotendarstellungen, die sich über unterschiedliche Graphstrukturen hinweg gut verhalten. Im Vergleich zu traditionellen, feature‑basierten Ansätzen liefert das Modell eine deutlich verbesserte Klassifikationsleistung.

Umfangreiche Tests auf vier öffentlich verfügbaren Datensätzen, darunter mehrere Domänenvarianten eines Datensatzes, zeigen, dass CNL‑GNN die aktuellen Spitzenmodelle übertrifft und damit einen wichtigen Fortschritt im Bereich der kausalen Graphlernverfahren darstellt.