グラフニューラルネットワークにおける分布シフト下での外部分布一般化は、重要な課題です。従来の手法は一般に不変リスク最小化（IRM）フレームワークに依存し、環境アノテーションや合成データの生成にコストがかかります。この記事では、IRMに依存せず因果サブグラフを捉える方法を提案しています。まず、因果サブグラフは非因果要素よりも分布の変動が劇的に小さいことを示し、これを不変分布基準として定式化し、理論的に証明しています。この基準に基づき、分布シフトと表現ノルムの関係を定量的に明らかにし、そのメカニズムを探求します。最終的に、因果サブグラフの発見と予測のために、ノルムに基づく不変分布目的を導入するIRMフリーの手法を提案し、広く使用される2つのベンチマークでの実験で既存の最先端手法を上回る結果を示しました。