論文の概要: Finding Diverse and Predictable Subgraphs for Graph Domain
Generalization
- arxiv url: http://arxiv.org/abs/2206.09345v1
- Date: Sun, 19 Jun 2022 07:57:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:01:05.828940
- Title: Finding Diverse and Predictable Subgraphs for Graph Domain
Generalization
- Title(参考訳): グラフ領域一般化のための多様で予測可能な部分グラフの探索
- Authors: Junchi Yu, Jian Liang, Ran He
- Abstract要約: 本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。
本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。
ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
- 参考スコア(独自算出の注目度): 88.32356432272356
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper focuses on out-of-distribution generalization on graphs where
performance drops due to the unseen distribution shift. Previous graph domain
generalization works always resort to learning an invariant predictor among
different source domains. However, they assume sufficient source domains are
available during training, posing huge challenges for realistic applications.
By contrast, we propose a new graph domain generalization framework, dubbed as
DPS, by constructing multiple populations from the source domains.
Specifically, DPS aims to discover multiple \textbf{D}iverse and
\textbf{P}redictable \textbf{S}ubgraphs with a set of generators, namely,
subgraphs are different from each other but all the them share the same
semantics with the input graph. These generated source domains are exploited to
learn an \textit{equi-predictive} graph neural network (GNN) across domains,
which is expected to generalize well to unseen target domains. Generally, DPS
is model-agnostic that can be incorporated with various GNN backbones.
Extensive experiments on both node-level and graph-level benchmarks shows that
the proposed DPS achieves impressive performance for various graph domain
generalization tasks.
- Abstract(参考訳): 本稿では, 分布シフトにより性能が低下するグラフにおける分散の一般化に着目する。
以前のグラフドメインの一般化は、常に異なるソースドメイン間で不変な予測を学習することに依存している。
しかし、トレーニング中に十分なソースドメインが利用できると仮定し、現実的なアプリケーションにとって大きな課題となる。
対照的に、ソースドメインから複数の集団を構築することにより、DPSと呼ばれる新しいグラフ領域一般化フレームワークを提案する。
具体的には、DPS は複数の \textbf{D}iverse と \textbf{P}redictable \textbf{S}ubgraphs をジェネレータの集合で発見することを目的としている。
これらの生成されたソースドメインは、対象領域をまたいで \textit{equi-predictive} graph neural network (gnn) を学ぶために利用される。
一般的に、DPSはモデルに依存しないため、様々なGNNバックボーンを組み込むことができる。
ノードレベルのベンチマークとグラフレベルのベンチマークによる大規模な実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
関連論文リスト
- Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
グラフニューラルネットワーク(GNN)におけるアウト・オブ・ディストリビューション(OOD)の一般化は注目されている。
多様なサブグラフの集合を学習するために設計された新しいフレームワークSubGraph Aggregation(SuGAr)を提案する。
合成データセットと実世界のデータセットの両方の実験では、SuGArが最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2024-10-29T16:54:37Z) - Text-Free Multi-domain Graph Pre-training: Toward Graph Foundation Models [33.2696184519275]
テキストフリーなマルチドメイングラフ事前学習・適応フレームワークMDGPTを提案する。
まず、シナジスティックな事前学習のために、ソースドメインにまたがる機能を整列する一連のドメイントークンを提案する。
第2に、統合されたプロンプトと混合プロンプトからなる二重プロンプトを提案し、統合されたマルチドメイン知識でターゲットドメインをさらに適応させる。
論文 参考訳(メタデータ) (2024-05-22T19:06:39Z) - Rethinking Propagation for Unsupervised Graph Domain Adaptation [17.443218657417454]
Unlabelled Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフから教師なしターゲットグラフに知識を転送することを目的としている。
本稿では,グラフ領域適応のためのA2GNNというシンプルな手法を提案する。
論文 参考訳(メタデータ) (2024-02-08T13:24:57Z) - One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。
上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。
OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文 参考訳(メタデータ) (2023-09-29T21:15:26Z) - Zero-shot Domain Adaptation of Heterogeneous Graphs via Knowledge
Transfer Networks [72.82524864001691]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、強力な表現学習技術として優れた性能を示している。
異なるノードタイプにルートされたラベルを使って直接学習する方法はありません。
本研究では,HGNN(HGNN-KTN)のための新しいドメイン適応手法である知識伝達ネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-03T21:00:23Z) - Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。
既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。
現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。
我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文 参考訳(メタデータ) (2021-12-02T03:18:18Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳(メタデータ) (2021-03-29T14:03:03Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。