A Recipe for Causal Graph Regression: Confounding Effects Revisited
因果图回归的方法方案：重新审视混杂效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论图神经网络的分布外回归，未明确涉及所列细分中的经济网络互动或因果效应识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
因果图回归的方法方案：重新审视混杂效应
- 研究问题
- 已有因果图学习的成功主要集中于分类任务；在图级回归中，如何处理混杂信息并改善图神经网络的分布外预测表现？
- 方法与思路
- 作者重新考察混杂因素在图级回归中的预测作用，并从对比学习视角，将原本针对分类的因果干预技术推广至回归任务。
- 材料陈述的贡献
- 摘要称所提出方案在多个图分布外基准实验中表现有效，补充了因果图学习对回归任务的研究，并表示提供了模型实现代码。
- 阅读关注点
- 应核对混杂与因果子图的操作性定义、干预如何实现、训练测试分布如何构造，以及实验改进是否依赖特定图数据与基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明因果识别条件或具体性能数值，预测改善不能直接验证因果解释。
原文摘要
Through recognizing causal subgraphs, causal graph learning (CGL) has risen to be a promising approach for improving the generalizability of graph neural networks under out-of-distribution (OOD) scenarios. However, the empirical successes of CGL techniques are mostly exemplified in classification settings, while regression tasks, a more challenging setting in graph learning, are overlooked. We thus devote this work to tackling causal graph regression (CGR); to this end we reshape the processing of confounding effects in existing CGL studies, which mainly deal with classification. Specifically, we reflect on the predictive power of confounders in graph-level regression, and generalize classification-specific causal intervention techniques to regression through a lens of contrastive learning. Extensive experiments on graph OOD benchmarks validate the efficacy of our proposals for CGR. The model implementation and the code are provided on https://github.com/causal-graph/CGR.