論文の概要: OpenGDA: Graph Domain Adaptation Benchmark for Cross-network Learning
- arxiv url: http://arxiv.org/abs/2307.11341v1
- Date: Fri, 21 Jul 2023 04:11:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 13:42:05.153707
- Title: OpenGDA: Graph Domain Adaptation Benchmark for Cross-network Learning
- Title（参考訳）: OpenGDA: クロスネットワーク学習のためのグラフドメイン適応ベンチマーク
- Authors: Boshen Shi, Yongqing Wang, Fangda Guo, Jiangli Shao, Huawei Shen and
Xueqi Cheng
- Abstract要約: OpenGDAはグラフ領域適応モデルを評価するためのベンチマークである。
さまざまなタスクに対して、豊富な事前処理と統合されたデータセットを提供する。
最先端のモデルと標準化されたパイプラインとエンドツーエンドのパイプラインを統合する。
- 参考スコア（独自算出の注目度）: 42.48479966907126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph domain adaptation models are widely adopted in cross-network learning
tasks, with the aim of transferring labeling or structural knowledge.
Currently, there mainly exist two limitations in evaluating graph domain
adaptation models. On one side, they are primarily tested for the specific
cross-network node classification task, leaving tasks at edge-level and
graph-level largely under-explored. Moreover, they are primarily tested in
limited scenarios, such as social networks or citation networks, lacking
validation of model's capability in richer scenarios. As comprehensively
assessing models could enhance model practicality in real-world applications,
we propose a benchmark, known as OpenGDA. It provides abundant pre-processed
and unified datasets for different types of tasks (node, edge, graph). They
originate from diverse scenarios, covering web information systems, urban
systems and natural systems. Furthermore, it integrates state-of-the-art models
with standardized and end-to-end pipelines. Overall, OpenGDA provides a
user-friendly, scalable and reproducible benchmark for evaluating graph domain
adaptation models. The benchmark experiments highlight the challenges of
applying GDA models to real-world applications with consistent good
performance, and potentially provide insights to future research. As an
emerging project, OpenGDA will be regularly updated with new datasets and
models. It could be accessed from https://github.com/Skyorca/OpenGDA.
- Abstract（参考訳）: グラフドメイン適応モデルは、ラベル付けや構造知識の転送を目的として、クロスネットワーク学習タスクに広く採用されている。
現在、グラフ領域適応モデルの評価には2つの制限がある。
一方、それらは主に特定のクロスネットワークノード分類タスクのためにテストされ、タスクはエッジレベルとグラフレベルでほとんど未検討のままである。
さらに、主にソーシャルネットワークや引用ネットワークのような限られたシナリオでテストされ、よりリッチなシナリオにおけるモデルの能力を検証できない。
実世界のアプリケーションにおけるモデルの実用性を総合的に評価することにより,OpenGDAとして知られるベンチマークを提案する。
さまざまなタイプのタスク(ノード、エッジ、グラフ)に対して、豊富な事前処理と統一データセットを提供する。
web情報システムや都市システム,自然システムなど,さまざまなシナリオから生まれたものだ。
さらに、最先端モデルと標準化されたエンドツーエンドパイプラインを統合する。
全体として、opengdaはグラフドメイン適応モデルを評価するためのユーザフレンドリーでスケーラブルで再現可能なベンチマークを提供する。
ベンチマーク実験は、GDAモデルを一貫した優れたパフォーマンスを持つ現実世界のアプリケーションに適用することの課題を強調し、将来の研究に洞察を与える可能性がある。
新たなプロジェクトとして、OpenGDAは新しいデータセットとモデルで定期的に更新される。
https://github.com/Skyorca/OpenGDAからアクセスできる。
関連論文リスト
- Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation [31.106636947179005]
教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation)は、ラベル豊富なソースグラフからラベルなしターゲットグラフへの知識の転送を含む。
GDABenchと呼ばれる教師なしグラフ領域適応のための最初の包括的なベンチマークを示す。
我々は、現在のUGDAモデルの性能がデータセットや適応シナリオによって大きく異なることを観察する。
論文 参考訳（メタデータ） (2024-07-09T06:44:09Z) - GraphFM: A Comprehensive Benchmark for Graph Foundation Model [33.157367455390144]
ファンデーション・モデル(FM)は、人工知能システムの開発のための一般的なクラスである。
FMの基礎として自己教師型学習の研究が盛んに行われたが、いくつかの顕著な問題が続いている。
下流タスクにおける一般化能力の程度は未だ不明である。
これらのモデルが大規模なデータセットにどの程度効果的にスケールできるかは不明だ。
論文 参考訳（メタデータ） (2024-06-12T15:10:44Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。
主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。
この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文 参考訳（メタデータ） (2024-03-02T08:05:03Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - SizeShiftReg: a Regularization Method for Improving Size-Generalization
in Graph Neural Networks [5.008597638379227]
グラフニューラルネットワーク(GNN)は,グラフ分類のデファクトモデルとなっている。
テストデータへのアクセスを必要とせずに,任意のGNNに適用可能な正規化戦略を提案する。
我々の正規化は、粗い手法を用いてトレーニンググラフのサイズの変化をシミュレートする考え方に基づいている。
論文 参考訳（メタデータ） (2022-07-16T09:50:45Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2022-05-08T08:19:40Z) - GraphWorld: Fake Graphs Bring Real Insights for GNNs [4.856486822139849]
GraphWorldは、ユーザが何百万もの統計的に多様なデータセットで効率的に世界を生成することを可能にする。
数百万のベンチマークデータセットに対する数万のGNNモデルの性能特性について,GraphWorldの実験結果から考察した。
論文 参考訳（メタデータ） (2022-02-28T22:00:02Z) - 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) - Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive
Benchmark Study [100.27567794045045]
ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。
我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
論文 参考訳（メタデータ） (2021-08-24T05:00:37Z) - Open Graph Benchmark: Datasets for Machine Learning on Graphs [86.96887552203479]
スケーラブルで堅牢で再現可能なグラフ機械学習(ML)の研究を容易にするために,Open Graph Benchmark(OGB)を提案する。
OGBデータセットは大規模で、複数の重要なグラフMLタスクを含み、さまざまなドメインをカバーする。
各データセットに対して,有意義なアプリケーション固有のデータ分割と評価指標を用いた統一評価プロトコルを提供する。
論文 参考訳（メタデータ） (2020-05-02T03:09:50Z)
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。