Resumo Técnico: As Redes Neurais de Grafos Heterogêneos são Realmente Eficazes para Classificação de Nós? Uma Perspectiva Causal

1. Declaração do Problema

Embora as Redes Neurais de Grafos Heterogêneos (HGNNs) tenham se tornado um framework dominante para a classificação de nós ao integrar diversos tipos de semântica de nós e arestas, sua eficácia intrínseca permanece subexaminada. A literatura existente frequentemente assume implicitamente que as HGNNs são inerentemente superiores às Redes Neurais de Grafos (GNNs) mais simples devido à sua complexidade arquitetônica ou à mera presença de informação heterogênea. No entanto, evidências empíricas prévias sugerem que as HGNNs não superam consistentemente as GNNs mais simples em benchmarks heterogêneos, e avaliações rigorosas em grafos homogêneos mostraram que arquiteturas clássicas (ex: GCN) podem rivalizar com modelos complexos de última geração quando devidamente ajustadas.

Essa tensão levanta uma questão fundamental: As HGNNs são genuinamente eficazes para a classificação de nós e, se sim, o ganho de desempenho é impulsionado pela arquitetura do modelo ou pela informação estrutural fornecida pela heterogeneidade? Além disso, se a heterogeneidade é benéfica, quais são os mecanismos causais subjacentes que impulsionam essa melhoria?

2. Metodologia

Os autores propõem uma auditoria causal sistemática em três etapas para desmembrar os efeitos da arquitetura do modelo dos efeitos da informação heterogênea.

Etapa 1: Isolando os Efeitos da Arquitetura do Modelo

Para determinar se a sofisticação arquitetônica impulsiona o desempenho, os autores conduziram um estudo de reprodução abrangente:

• Escopo: 20 baselines representativos de HGNN (cobrindo modelos baseados em relações, meta-caminhos, híbridos e de codificação de estrutura) foram reproduzidos em 21 conjuntos de dados de grafos heterogêneos.
• Protocolo: Todos os modelos foram avaliados sob um protocolo unificado usando implementações oficiais. Crucialmente, os autores realizaram um ajuste extensivo de hiperparâmetros para um baseline simples, o RGCN (Rede Convolucional de Grafo Relacional), em todos os datasets.
• Comparação: Os resultados do RGCN ajustado foram comparados tanto com os resultados originalmente reportados de HGNNs complexas quanto com os resultados reproduzidos desses mesmos modelos (com ajuste equivalente).

Etapa 2: Isolando os Efeitos da Informação Heterogênea

Com a arquitetura do modelo (RGCN) fixa, os autores investigaram a contribuição causal da própria informação heterogênea:

• Design Experimental: Três variantes de grafos foram construídas para cada dataset:
  1. Homo: Uma projeção homogênea onde todos os tipos de nós/arestas são fundidos em uma única relação.
  2. Homo+Hete: Um grafo homogêneo aumentado com canais de relação heterogênea adicionais.
  3. Hete: O grafo heterogêneo original bruto.
• Controle: Todas as variantes foram treinadas usando o mesmo backbone de RGCN e estratégia de busca de hiperparâmetros. As diferenças de desempenho foram atribuídas exclusivamente à estrutura do grafo.

Etapa 3: Análise de Mediação Causal

Para explicar por que a informação heterogênea melhora o desempenho, os autores desenvolveram um framework de análise de mediação causal:

• Tratamento ($T$): A introdução de informação de relação heterogênea (comparando $G_{Homo}$ vs. $G_{Homo+Hete}$).
• Resultado ($Y$): Desempenho de classificação de nós.
• Mediadores ($M$): Um conjunto de fatores estruturais candidatos, incluindo homofilia, discrepância de distribuição local-global, grau, densidade, alcançabilidade, diversidade e consistência estrutural relacionada a características.
• Procedimento:
  1. Triagem: Os candidatos foram filtrados com base em serem significativamente afetados pelo tratamento ($T \to M$) e se suas mudanças estavam fortemente associadas a melhorias de desempenho ($M \to Y$).
  2. Decomposição: O efeito total foi decomposto em Efeito Causal Médio (ACME) e Efeito Direto Médio (ADE) para quantificar a proporção de ganhos de desempenho explicados por fatores estruturais específicos.

3. Principais Resultados

A Complexidade da Arquitetura Não é o Driver

• Achados da Reprodução: Após o ajuste sistemático de hiperparâmetros, o modelo simples RGCN superou consistentemente a maioria das 20 baselines de HGNN complexas.
• Ganhos de Desempenho: Em muitos casos, o RGCN ajustado superou os resultados originalmente reportados de HGNNs avançadas (ex: nos datasets DBLP e ACM).
• Conclusão: A arquitetura do modelo e a complexidade não têm efeito causal no desempenho da classificação de nós. As vantagens observadas das HGNNs na literatura anterior são frequentemente atribuíveis a procedimentos de treinamento inconsistentes ou ajuste insuficiente de baselines mais simples.

A Informação Heterogênea é Causalmente Eficaz

• Impacto Estrutural: Sob um backbone de RGCN fixo, a introdução de informação heterogênea melhorou consistentemente o desempenho da classificação de nós em comparação com a projeção homogênea ($Homo$).
• Mecanismo: O ganho de desempenho não foi meramente devido ao aumento da conectividade (visto que $Homo+Hete$ frequentemente teve desempenho inferior a $Hete$), sugerindo que as semânticas específicas de relação fornecem sinais estruturais únicos.

Mediadores Causais Identificados

A análise de mediação identificou dois principais fatores estruturais que transmitem o efeito causal positivo da informação heterogênea:

1. Homofilia ($H$): A informação heterogênea aumenta a consistência dos rótulos dentro dos vizin beenários locais.
2. Discrepância de Distribuição Local–Global ($D$): A informação heterogênea torna as distribuições de rótulos dos vizin beenários locais mais distintas da distribuição global de rótulos.

Achados Quantitativos:

• A Homofilia respondeu por 48,3% da melhoria total de desempenho (ACME = 0,028).
• A Discrepância Local–Global respondeu por 32,8% da melhoria total (ACME = 0,019).
• Efeito Conjunto: Juntos, esses dois mediadores explicaram 70,7% do efeito total, tornando-os o principal caminho para os ganhos de desempenho. Outros fatores como grau, densidade e alcançabilidade mostraram associações fracas ou inconsistentes com as melhorias de desempenho.

Testes de Robustez

• Estruturas Aleatorizadas: Experimentos com estruturas heterogêneas aleatorizadas (preservando a contagem de parâmetros, mas destruindo a organização semântica) mostraram que o desempenho variou significativamente, confirmando que o benefício vem da organização estrutural específica das relações, não apenas da capacidade de parâmetros.
• Grafos Heterofílicos: Em datasets de baixa homofilia, o RGCN ajustado ainda superou as baselines complexas, reforçando que a eficácia provém da exploração de sinais estruturais em vez da complexidade arquitetônica.
• Benchmark Unificado (HGB): No Heterogeneous Graph Benchmark (HGB), o RGCN alcançou o melhor ou quase melhor desempenho em múltiplos datasets, validando ainda mais que arquiteturas simples são competitivas quando devidamente ajustadas.

4. Significância e Contribuições

O artigo apresenta três contribuições primárias para o campo do aprendizado de grafos heterogêneos:

1. Benchmarking Abrangente: Apresenta o estudo de reprodução mais extenso até o momento, cobrindo 20 baselines de HGNN em 21 datasets sob um protocolo de avaliação unificado e rigorosamente ajustado.
2. Desmembramento Causal de Arquitetura vs. Informação: Estabelece que a arquitetura e a complexidade do modelo não influenciam causalmente o desempenho da classificação de nós. A suposta superioridade das HGNNs complexas é, em grande parte, um artefato de um ajuste subótimo de baselines mais simples.
3. Explicação Mecanística da Heterogeneidade: Identifica que o verdadeiro valor da informação heterogênea reside em sua capacidade de remodelar a estrutura do grafo para aumentar os sinais relevantes para a classe. Especificamente, a informação heterogênea melhora o desempenho ao aumentar a homofilia (consistência de rótulos nos vizin beenários) e a discrepância de distribuição local-global (distinguibilidade dos contextos locais em relação ao prior global).

5. Conclusão

Os autores concluem que, para a classificação de nós, a vantagem das HGNNs origina-se principalmente da informação estrutural carregada pela heterogeneidade, e não apenas da complexidade do modelo. Ao separar rigorosamente os efeitos arquitetônicos dos efeitos informacionais, o estudo demonstra que modelos simples e bem ajustados, como o RGCN, podem igualar ou exceder arquiteturas complexas. A análise de mediação causal esclarece ainda que a informação heterogênea é eficaz porque organiza a estrutura do grafo para tornar as classes de nós mais distinguíveis, principalmente através do aumento da homofilia e das diferenças de distribuição local-global.