本文介绍了基于因果关系的图神经网络框架StableGNN，旨在提取图数据的高级表示并消除虚假相关性。研究表明，因果神经模型在低数据量情况下具有更好的适应性和泛化能力。提出的标签和环境因果独立方法显著提高了因果子图的发现能力，并探讨了图对比学习中的因果因素，提出新方法以改善不变表示的学习。因果分析在图神经网络中的应用显示出良好的潜力和效果。

本文提出了一种使用标签和环境因果独立（LECI）的方法，解决了识别因果和不变子图的挑战，并通过对抗训练策略共同优化这两个特性，实现对因果子图的发现。该方法在合成和现实数据集上表现优于先前的方法，成为一种实用和有效的解决方案。