本研究提出了一种新方法，通过生成层次化语义环境增强图的不变性学习，以应对分布转移。实验证明，该方法在真实图数据上显著提高了泛化性能，准确率提升最多27.4%。此外，研究还提出了基于因果推断的图神经网络训练方法，解决了混淆偏差问题，并开发了对抗训练策略以优化因果子图发现。

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。