Causal contrastive learning for generalizable graph classification

doi:10.1016/j.knosys.2026.116643

Causal contrastive learning for generalizable graph classification

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116643

原文链接

原文求助

摘要

En 中文

图分类是一项具有广泛实际应用的基础任务。尽管图神经网络（GNNs）能够有效建模图结构和节点属性，但它们通常依赖输入图与标签之间的虚假相关性，这损害了在分布偏移下的鲁棒性和泛化能力。近期研究尝试通过将图划分为因果子图和捷径子图来解决此问题。然而，这种硬划分可能会破坏内在图结构并导致重要结构信息的丢失。此外，现有方法通常关注有限的因果关系，因而未能捕获多样化的语义因果因素。为解决这些局限性，我们提出了图因果对比解耦学习（GCCDL），一种通用的图分类框架。具体而言，我们设计了一个多因果注意力模块来生成多模态图视图，使模型能够捕获不同的语义因果特征。我们进一步在注意力过程中引入DropKey正则化机制以提升结构鲁棒性。此外，引入对比学习目标，通过构建多模态图间的正负样本对来分离因果特征与捷径相关性。在六个基准数据集上的大量实验表明，GCCDL始终与强基线方法具有竞争力，并且通常表现更优。

Keyword:

Graph neural networks

Causal inference

Contrastive learning

Graph classification

Causal contrastive learning for generalizable graph classification

摘要

期刊

机构

引用论文