論文の概要: Unsupervised Domain Adaptation for Graph-Structured Data Using
Class-Conditional Distribution Alignment
- arxiv url: http://arxiv.org/abs/2301.12361v1
- Date: Sun, 29 Jan 2023 05:33:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 17:35:56.133308
- Title: Unsupervised Domain Adaptation for Graph-Structured Data Using
Class-Conditional Distribution Alignment
- Title（参考訳）: クラス条件分布アライメントを用いたグラフ構造化データの教師なし領域適応
- Authors: Mengxi Wu and Mohammad Rostami
- Abstract要約: 対象領域の分布と無注釈データとの整合性に基づくグラフ構造化データのための新しいUDAアルゴリズムを開発した。
具体的には、スライスされたワッサースタイン距離(SWD)と、ソースとターゲットドメインの分布間の最大平均誤差(MMD)を最小化する。
- 参考スコア（独自算出の注目度）: 12.013345715187285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adopting deep learning models for graph-structured data is challenging due to
the high cost of collecting and annotating large training data. Unsupervised
domain adaptation (UDA) has been used successfully to address the challenge of
data annotation for array-structured data. However, UDA methods for
graph-structured data are quite limited. We develop a novel UDA algorithm for
graph-structured data based on aligning the distribution of the target domain
with unannotated data with the distribution of a source domain with annotated
data in a shared embedding space. Specifically, we minimize both the sliced
Wasserstein distance (SWD) and the maximum mean discrepancy (MMD) between the
distributions of the source and the target domains at the output of graph
encoding layers. Moreover, we develop a novel pseudo-label generation technique
to align the distributions class-conditionally to address the challenge of
class mismatch. Our empirical results on the Ego-network and the IMDB$\&$Reddit
datasets demonstrate that our method is effective and leads to state-of-the-art
performance.
- Abstract（参考訳）: 大規模トレーニングデータの収集と注釈付けのコストが高いため,グラフ構造化データにディープラーニングモデルを採用するのは困難である。
非教師付きドメイン適応(UDA)は、配列構造データに対するデータアノテーションの課題に対処するためにうまく使われてきた。
しかし、グラフ構造化データのUDA法は非常に限られている。
対象領域と無注データとの分布を共有埋め込み空間における注釈データとソース領域の分布とを整合させたグラフ構造データのための新しいudaアルゴリズムを開発した。
具体的には、スライスされたワッサースタイン距離(SWD)と、グラフ符号化層の出力におけるソースとターゲットドメインの分布間の最大平均誤差(MMD)を最小化する。
さらに, クラスミスマッチの課題に対処するために, 分布をクラス条件で整列する新しい擬似ラベル生成手法を開発した。
Ego-network と IMDB$\&$Reddit データセットに関する実証的な結果は,我々の手法が有効であり,最先端のパフォーマンスにつながることを示す。
関連論文リスト
- Rank and Align: Towards Effective Source-free Graph Domain Adaptation [16.941755478093153]
グラフニューラルネットワーク(GNN)は、グラフ領域適応において素晴らしいパフォーマンスを達成した。
しかし、プライバシやストレージ上の懸念から、大規模なソースグラフは現実のシナリオでは利用できない可能性がある。
そこで我々は,Range and Align (RNA)と呼ばれる新しいGNNベースのアプローチを導入し,ロバストセマンティクス学習のためのスペクトルセレーションとグラフ類似性をランク付けする。
論文 参考訳（メタデータ） (2024-08-22T08:00:50Z) - DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。
BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。
半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文 参考訳（メタデータ） (2024-06-04T07:24:51Z) - ERASE: Error-Resilient Representation Learning on Graphs for Label Noise
Tolerance [53.73316938815873]
本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。
ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。
提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
論文 参考訳（メタデータ） (2023-12-13T17:59:07Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - 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) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文 参考訳（メタデータ） (2021-03-29T22:18:34Z) - MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised
Domain Adaptation in Semantic Segmentation [14.8840510432657]
unsupervised domain adaptation (uda) はラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としている。
既存の自己学習に基づくUDAアプローチでは、ターゲットデータに擬似ラベルを割り当て、それらを基底真理ラベルとして扱う。
ソースドメインに最適化されたモデルから生成された擬似ラベルは、必然的にドメインギャップによるノイズを含む。
論文 参考訳（メタデータ） (2021-03-09T06:57:03Z) - Unified Robust Training for Graph NeuralNetworks against Label Noise [12.014301020294154]
半監督設定でノイズの多いラベルをグラフ上で学習するための新しいフレームワークである UnionNET を提案します。
提案手法は,GNNを頑健に訓練し,ラベル修正を同時に行うための統一的なソリューションを提供する。
論文 参考訳（メタデータ） (2021-03-05T01:17:04Z)
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。