본 논문은 기존 그래프 신경망(GNN) 기반 추천 알고리즘이 독립적이고 동일하게 분포된(IID) 데이터를 가정하지만, 실제로는 분포 외(OOD) 데이터로 인해 성능 저하가 발생하는 문제를 다룬다. 연구진은 구조적 인과 모델(SCM)을 이용하여 환경적 교란 변수(예: COVID-19 팬데믹)가 GNN 기반 모델의 상관관계를 불안정하게 만들어 OOD 데이터에 대한 일반화 성능을 저하시킨다는 것을 밝혔다. 이를 해결하기 위해, 환경적 교란 요인을 제거하고 불변의 그래프 표현을 학습하는 새로운 방법인 CausalDiffRec을 제안한다. CausalDiffRec은 백도어 조정과 변분 추론을 사용하여 실제 환경 분포를 추론하고, 이를 사전 지식으로 활용하여 확산 과정의 역방향 단계에서 불변 표현 학습을 유도한다. 또한, CausalDiffRec의 목적 함수 최적화가 환경 불변 그래프 표현 학습을 유도하여 분포 변화 환경에서 추천의 일반화 성능을 향상시킨다는 것을 이론적으로 증명하였다. 실험 결과, CausalDiffRec은 OOD 데이터에 대한 일반화 성능을 향상시켰으며, Food, KuaiRec, Yelp2018, Douban 데이터셋에서 각각 최대 10.69%, 18.83%, 22.41%, 11.65%의 성능 향상을 보였다.
