論文の概要: Graph Harmony: Denoising and Nuclear-Norm Wasserstein Adaptation for
Enhanced Domain Transfer in Graph-Structured Data
- arxiv url: http://arxiv.org/abs/2301.12361v2
- Date: Wed, 13 Dec 2023 01:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 21:15:24.245912
- Title: Graph Harmony: Denoising and Nuclear-Norm Wasserstein Adaptation for
Enhanced Domain Transfer in Graph-Structured Data
- Title(参考訳): Graph Harmony: Graph-Structured Dataにおけるドメイン転送強化のためのDenoising and Nuclear-Norm Wasserstein Adaptation
- Authors: Mengxi Wu and Mohammad Rostami
- Abstract要約: Denoising and Nuclear-Norm Wasserstein Adaptation Network (DNAN) の開発
DNANはNWD(Nuclear-norm Wasserstein discrepancy)を採用しており、ドメインアライメントとクラス区別を同時に達成することができる。
包括的実験により、DNANはグラフ分類のための標準UDAベンチマークにおいて最先端の手法よりも優れていることが示された。
- 参考スコア(独自算出の注目度): 23.871860648919593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-structured data can be found in numerous domains, yet the scarcity of
labeled instances hinders its effective utilization of deep learning in many
scenarios. Traditional unsupervised domain adaptation (UDA) strategies for
graphs primarily hinge on adversarial learning and pseudo-labeling. These
approaches fail to effectively leverage graph discriminative features, leading
to class mismatching and unreliable label quality. To navigate these obstacles,
we develop the Denoising and Nuclear-Norm Wasserstein Adaptation Network
(DNAN). DNAN employs the Nuclear-norm Wasserstein discrepancy (NWD), which can
simultaneously achieve domain alignment and class distinguishment. DANA also
integrates a denoising mechanism via a variational graph autoencoder that
mitigates data noise. This denoising mechanism helps capture essential features
of both source and target domains, improving the robustness of the domain
adaptation process. Our comprehensive experiments demonstrate that DNAN
outperforms state-of-the-art methods on standard UDA benchmarks for graph
classification.
- Abstract(参考訳): グラフ構造化データは多数のドメインで見ることができるが、ラベル付きインスタンスの不足により、多くのシナリオでディープラーニングの有効利用が妨げられる。
グラフに対する従来の教師なしドメイン適応(UDA)戦略は、主に敵対的学習と擬似ラベルに基づく。
これらのアプローチは、グラフ識別機能を効果的に活用できないため、クラスミスマッチと信頼性の低いラベル品質につながる。
これらの障害をナビゲートするために、Denoising and Nuclear-Norm Wasserstein Adaptation Network (DNAN) を開発した。
DNANはNWD(Nuclear-norm Wasserstein discrepancy)を採用し、同時にドメインアライメントとクラス区別を実現する。
DANAはまた、データノイズを緩和する変分グラフオートエンコーダを通じて、デノナイズ機構を統合する。
この denoising メカニズムは、ソースドメインとターゲットドメインの両方の本質的な特徴をキャプチャし、ドメイン適応プロセスの堅牢性を改善するのに役立つ。
包括的実験により、DNANはグラフ分類のための標準UDAベンチマークにおいて最先端の手法よりも優れていることが示された。
関連論文リスト
- 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) - A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph
Sampling [35.94125831564648]
我々の研究は、グラフニューラルネットワーク(GNN)を用いた異種グラフのクラス不均衡問題に対処する。
本稿では,GAN(Generative Adversarial Networks)とGNN(Greative Adversarial Networks)の長所を結合し,データセットを効果的にバランスさせる合成ノードとエッジを作成する手法を提案する。
論文 参考訳(メタデータ) (2023-12-11T16:52:20Z) - 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) - Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for
Source-Relaxed Medical Image Segmentation [13.260109561599904]
非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。
我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
論文 参考訳(メタデータ) (2022-09-16T13:13:50Z) - 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) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z)
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。