論文の概要: Semi-supervised Domain Adaptation in Graph Transfer Learning
- arxiv url: http://arxiv.org/abs/2309.10773v1
- Date: Tue, 19 Sep 2023 17:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 13:24:14.966130
- Title: Semi-supervised Domain Adaptation in Graph Transfer Learning
- Title(参考訳): グラフ伝達学習における半教師付きドメイン適応
- Authors: Ziyue Qiao, Xiao Luo, Meng Xiao, Hao Dong, Yuanchun Zhou, and Hui
Xiong
- Abstract要約: グラフに対する教師なしドメイン適応は、ラベル豊富なソースグラフからラベルのないターゲットグラフへの知識伝達を目的としている。
これにより、深刻なドメインシフトとラベルの不足により、グラフ転送学習に重大な課題が課される。
これらの課題に対処するために,SGDA (Semi-supervised Graph Domain Adaptation) という手法を提案する。
- 参考スコア(独自算出の注目度): 24.32465362708831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a specific case of graph transfer learning, unsupervised domain adaptation
on graphs aims for knowledge transfer from label-rich source graphs to
unlabeled target graphs. However, graphs with topology and attributes usually
have considerable cross-domain disparity and there are numerous real-world
scenarios where merely a subset of nodes are labeled in the source graph. This
imposes critical challenges on graph transfer learning due to serious domain
shifts and label scarcity. To address these challenges, we propose a method
named Semi-supervised Graph Domain Adaptation (SGDA). To deal with the domain
shift, we add adaptive shift parameters to each of the source nodes, which are
trained in an adversarial manner to align the cross-domain distributions of
node embedding, thus the node classifier trained on labeled source nodes can be
transferred to the target nodes. Moreover, to address the label scarcity, we
propose pseudo-labeling on unlabeled nodes, which improves classification on
the target graph via measuring the posterior influence of nodes based on their
relative position to the class centroids. Finally, extensive experiments on a
range of publicly accessible datasets validate the effectiveness of our
proposed SGDA in different experimental settings.
- Abstract(参考訳): グラフ転送学習の特定の事例として、グラフに対する教師なしドメイン適応は、ラベル豊富なソースグラフからラベルのないターゲットグラフへの知識伝達を目的としている。
しかし、トポロジーと属性を持つグラフは通常かなりのクロスドメインの差があり、ソースグラフに単にノードのサブセットがラベル付けされるような現実世界のシナリオが数多く存在する。
これにより、深刻なドメインシフトとラベルの不足により、グラフ転送学習に重大な課題が生じる。
これらの課題に対処するため,SGDA (Semi-supervised Graph Domain Adaptation) という手法を提案する。
ドメインシフトに対処するために、各ソースノードに適応シフトパラメータを追加し、ノード埋め込みのクロスドメイン分布を調整するために逆向きにトレーニングすることで、ラベル付きソースノードでトレーニングされたノード分類器をターゲットノードに転送することができる。
さらに,ラベルの不足に対処するために,ラベルのないノードに対する擬似ラベル方式を提案し,クラスセントロイドに対する相対的な位置に基づいてノードの後方影響を測定することにより,ターゲットグラフの分類を改善する。
最後に,様々なデータセットに対する広範囲な実験により,提案するsgdaの有効性が検証された。
関連論文リスト
- Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳(メタデータ) (2024-01-21T09:57:56Z) - Population Graph Cross-Network Node Classification for Autism Detection
Across Sample Groups [10.699937593876669]
クロスネットワークノード分類は、ドメインドリフトを考慮に入れたGNN技術を拡張している。
我々は、クロスネットワークノード分類のための強力で斬新なアプローチOTGCNを提案する。
自閉症スペクトラム障害の分類におけるこのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2024-01-10T18:04:12Z) - Domain Adaptive Graph Classification [0.0]
本稿では,グラフトポロジを二分枝から探索し,二分枝学習による領域差を緩和するDual Adversarial Graph Representation Learning(DAGRL)を提案する。
提案手法では,適応的な摂動を二重分岐に組み込み,ソースとターゲット分布をドメインの整合性に対応させる。
論文 参考訳(メタデータ) (2023-12-21T02:37:56Z) - ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。
ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。
この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文 参考訳(メタデータ) (2023-09-26T04:59:49Z) - Semi-supervised Domain Adaptation on Graphs with Contrastive Learning
and Minimax Entropy [12.821309859589828]
グラフ上の半教師付きドメイン適応(SSDA)は、ラベル付きソースグラフの知識を活用して、限られたラベルを持つターゲットグラフ上のノード分類を支援することを目的としている。
グラフ上のSSDA問題に対処するために、グラフのコントラスト学習とミニマックスエントロピー学習の恩恵を受けるSemiGCLと呼ばれる新しい手法を提案する。
ベンチマークデータセットの実験結果は、SemiGCLがSSDAタスクの最先端ベースラインを上回っていることを示している。
論文 参考訳(メタデータ) (2023-09-14T03:15:57Z) - Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳(メタデータ) (2023-08-31T05:26:08Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - 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) - Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。
本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。
ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
論文 参考訳(メタデータ) (2021-04-01T23:41:41Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-09-15T13:59:28Z)
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。