【图神经网络论文整理】（一）—— 可解释性和泛化性图分类的因果注意力：CAL

---

• KDD '22: Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining
• August 2022
• Pages 1696–1705
• 论文地址

本文介绍的论文是中科大王翔教授等人在KDD2022上发表的《Causal Attention for Interpretable and Generalizable Graph Classification》。

作者强调了当前基于注意力和池化的GNN在图分类中的泛化问题，并且提出了一种新的用于图分类的因果注意力学习策略（CAL），使GNN在过滤掉捷径特征的同时利用因果特征，最后在合成数据集和真实数据集上的大量实验证明了CAL的有效性。

---

---

目前大多数图神经网络GNN在图分类这项任务中，遵循learning to attend这种模式，这能够最大程度学习图数据与标签之间的关系。

但是这种范式使得模型学习到的映射是基于统计相关性的，忽略了数据之间的因果关系，没有区分特征的因果效应和非因果效应，这会导致模型将非因果特征作为捷径特征，将其用来进行预测。

这也是导致ODD数据泛化性不好的一个原因，