본 논문은 기존 지리적 네트워크 표현 학습 방법들이 독립 동일 분포(i.i.d.) 가정에 기반한 심층 그래프 신경망(GNNs)을 사용하지만, 지리적 데이터의 공간적 이질성과 시간적 역동성으로 인해 분포 외(OOD) 일반화 문제가 특히 두드러진다는 점을 지적합니다. 특히, 테스트 데이터와 훈련 데이터 간의 분포 변화(특징 및 구조적 변화)에 민감하며, 이는 OOD 일반화 문제의 주요 원인입니다. 선택적 편향과 환경적 영향으로 인해 불변 표현과 배경 표현 간에 허위 상관 관계가 존재하며, 모델이 배경 표현을 학습할 가능성이 더 높아집니다. 기존 접근 방식은 훈련 및 테스트 데이터에서 노드의 특징 분포 변화에 의해 결정되는 배경 표현 변화에 초점을 맞추지만, 이질적 및 동질적 이웃 노드의 비율 분포 변화(구조적 분포 변화)는 무시합니다. 본 논문에서는 특징 분포 변화와 구조적 분포 변화 모두를 고려하는 특징-구조 혼합 불변 표현 학습(FSM-IRL) 모델을 제안합니다. 구조적 분포 변화를 해결하기 위해 인과적 주의(causal attention)에 기반한 샘플링 방법을 도입하여 레이블과 강력한 인과 관계를 갖는 노드 또는 대상 노드와 더 유사한 노드를 식별하도록 모델을 유도합니다. Hilbert-Schmidt 독립 기준에 영감을 받아 노드 표현의 직교성을 극대화하는 재가중 전략을 구현하여 노드 표현 간의 허위 상관 관계를 완화하고 배경 표현 학습을 억제합니다. 실험 결과, FSM-IRL은 OOD 시나리오에서 지리적 및 사회적 네트워크 데이터셋 모두에서 강력한 학습 성능을 보여줍니다.
