CATCH：因果注意力增强的元路径语义融合方法，用于实现鲁棒的双曲异构图嵌入

《Information Fusion》：CATCH: Causal Attention Enhanced Meta-Path Semantic Fusion for Robust Hyperbolic Heterogeneous Graph Embedding

针对异构图表示学习中存在的虚假语义关联问题，本文提出CATCH模型，创新性地将双曲空间与因果推理结合，通过因果注意力增强机制优化信息融合，有效提升模型对噪声的鲁棒性和跨任务泛化能力。

　　
在异构图表示学习中，如何有效融合多类型节点的语义信息并避免虚假关联是长期存在的技术瓶颈。传统方法基于欧氏空间构建节点嵌入，虽然简单直观，但在处理具有幂律分布特性的现实异构图时面临显著局限性。例如，在电影推荐系统中，欧氏空间可能将"犯罪片导演"和"黑帮电影"错误关联，而忽略"同一导演作品风格延续"这样的深层因果逻辑。这种几何空间导致的语义扭曲，使得模型在噪声干扰和多任务泛化时表现不佳。

当前异构图神经网络研究主要沿着两条路径发展：其一是基于类型关系的语义统一方法，通过特定变换将不同类型节点映射到共享语义空间；其二是基于超图的路径引导方法，通过预定义元路径捕获高阶语义。这两类方法虽然在结构设计上有所差异，但本质上都依赖注意力机制进行信息聚合。然而，现有研究存在两大核心缺陷：首先，注意力权重的学习缺乏因果约束，容易捕获表面统计相关性而非真实因果关联。其次，超图建模中预定义的元路径可能无法适应动态变化的语义网络，导致信息融合不充分。

针对上述问题，研究者提出基于双曲空间的因果注意力增强模型（CATCH）。该模型创新性地将因果推断原理与双曲几何特性相结合，构建了三阶段协同优化框架。在数据预处理阶段，通过双曲流形映射将异构图的多维属性编码到非欧几何空间，有效解决了欧氏空间中幂律分布数据的维度灾难问题。实验表明，仅此一步可将节点分类准确率提升12.7%，尤其在稀疏节点子集上表现更优。

在语义融合阶段，CATCH设计了双重视角的信息聚合机制。首先，针对元路径诱导子图构建层次化注意力网络：对于每条元路径P，分别建立第一阶邻域聚合和N阶高阶关系融合模块（N≥3）。这种设计既保留了传统元路径方法的结构约束优势，又通过递归聚合突破了浅层语义关联的限制。其次，开发跨元路径的因果注意力校准器，通过对比不同元路径间的信息权重分布，自动识别并抑制虚假关联。该方法在IMDB数据集上的应用显示，能有效消除"犯罪片导演-黑帮电影"这类非因果关联，使推荐准确率提升19.3%。

模型的核心突破体现在因果注意力增强机制。传统注意力仅通过相似度计算（如余弦相似度）加权聚合，而CATCH引入了反事实推理框架：对于每个节点v，同时生成基准嵌入和干预嵌入。基准嵌入反映当前网络结构下的自然关联，而干预嵌入则模拟移除特定节点后的语义变化。通过计算嵌入间的因果效应量（Causal Effect Size, CES），系统可自动识别具有因果解释力的注意力权重。实验证明，这种机制使节点表示的鲁棒性提升34.6%，在噪声比例超过30%时仍能保持92%以上的任务准确率。

在双曲空间构建方面，CATCH采用动态曲率调整策略。相较于固定曲率的双曲模型，该方法根据输入数据的局部结构自适应调整空间曲率。具体而言，通过分析子图的特征曲率分布，自动选择最优的双曲模型参数（曲率κ在-1到-0.1间动态调整）。这种自适应特性在Yelp社交网络中表现尤为突出，使异构节点的语义表示距离误差降低至0.18（传统方法为0.31）。

实验设计覆盖四大基准数据集：IMDB电影推荐网络（5.8M节点）、Yelp用户-商家网络（1.2M节点）、生物蛋白质相互作用网络（9.3M节点）和金融交易网络（4.5M节点）。在任务选择上，不仅包含节点分类、链接预测等常规任务，还特别设计了动态任务迁移测试，要求模型在完成初始任务后，无需重新训练即可适应跨领域新任务。测试结果显示，CATCH在动态任务迁移中的表现优于传统方法37.2%，这得益于其因果注意力机制对潜在语义空间的保护作用。

模型验证部分采用对抗性测试方法，通过在节点属性中注入不同强度的对抗样本（包括噪声、无关特征和虚假关联），评估 representations的鲁棒性。实验表明，当噪声强度达到原始数据熵的40%时，CATCH的准确率仍保持85%以上，而基线模型（如HGCN和SHAN）已降至62%以下。在跨任务泛化方面，CATCH在首次任务训练完成后，仅需12%的额外计算资源即可完成新任务的微调，而传统方法需要接近100%的训练数据重用。

模型在实际应用场景中的表现验证了其技术价值。在医疗诊断领域，CATCH成功将虚假关联（如"药物A-副作用B"与"药物C-副作用B"的相似度计算）识别率从传统方法的68%提升至89%。在金融风控应用中，通过因果注意力机制有效捕捉"同一客户号多次异常交易"的因果链，使欺诈检测准确率提升22.5个百分点。这些实际案例表明，CATCH模型不仅具备理论优势，更在真实业务场景中展现出显著的应用价值。

该研究在方法论层面建立了新的技术范式：首先提出"双曲-因果"联合优化框架，通过空间几何特性约束与因果逻辑约束的协同作用，解决了异构图表示中的虚假关联问题；其次，开发了可解释的注意力评估指标（Causal Attention Explainability, CAE），为模型性能提升提供了量化依据；最后，构建了包含12种噪声干扰和5类对抗样本的综合测试集，为异构图模型的鲁棒性评估建立了标准化平台。

未来研究将重点拓展到动态异构图场景，计划引入时间衰减因子改进双曲空间映射，并开发基于因果推理的增量学习算法。在应用层面，正与医疗影像分析机构合作，探索如何利用CATCH模型从多模态医学影像中提取具有因果解释力的疾病风险因子。这些延伸研究将进一步完善双曲因果表示的理论体系，推动异构图神经网络在关键领域的实际部署。