Fugu-MT 論文翻訳(概要): Domain Adaptive Graph Classification

論文の概要: Domain Adaptive Graph Classification

arxiv url: http://arxiv.org/abs/2312.13536v1
Date: Thu, 21 Dec 2023 02:37:56 GMT
ステータス: 処理完了
システム内更新日: 2023-12-22 16:03:02.797857
Title: Domain Adaptive Graph Classification
Title（参考訳）: ドメイン適応グラフ分類
Authors: Siyang Luo, Ziyi Jiang, Zhenghan Chen, Xiaoxuan Liang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite the remarkable accomplishments of graph neural networks (GNNs), they typically rely on task-specific labels, posing potential challenges in terms of their acquisition. Existing work have been made to address this issue through the lens of unsupervised domain adaptation, wherein labeled source graphs are utilized to enhance the learning process for target data. However, the simultaneous exploration of graph topology and reduction of domain disparities remains a substantial hurdle. In this paper, we introduce the Dual Adversarial Graph Representation Learning (DAGRL), which explore the graph topology from dual branches and mitigate domain discrepancies via dual adversarial learning. Our method encompasses a dual-pronged structure, consisting of a graph convolutional network branch and a graph kernel branch, which enables us to capture graph semantics from both implicit and explicit perspectives. Moreover, our approach incorporates adaptive perturbations into the dual branches, which align the source and target distribution to address domain discrepancies. Extensive experiments on a wild range graph classification datasets demonstrate the effectiveness of our proposed method.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)の顕著な成果にもかかわらず、彼らは一般的にタスク固有のラベルに依存しており、買収に関して潜在的な課題を提起している。対象データに対する学習プロセスを強化するためにラベル付きソースグラフを用いて、教師なしドメイン適応のレンズを用いて、この問題に対処するための既存の作業が行われている。しかし、グラフトポロジーの同時探索とドメイン格差の削減は依然として大きなハードルとなっている。本稿では,双対分岐からグラフトポロジーを探索し,双対逆学習によるドメイン間差異を緩和する双対逆グラフ表現学習(dagrl)を提案する。提案手法は,グラフ畳み込みネットワークブランチとグラフカーネルブランチから構成され,暗黙的,明示的な両視点からグラフセマンティクスをキャプチャする。さらに,本手法では,適応的な摂動を二分枝に組み込み,ソースとターゲット分布をドメインの整合性に対応する。ワイルドレンジグラフ分類データセットの大規模な実験により,提案手法の有効性が示された。

関連論文リスト

GraphLoRA: Structure-Aware Contrastive Low-Rank Adaptation for Cross-Graph Transfer Learning [17.85404473268992]
グラフニューラルネットワーク(GNN)は、様々なグラフ解析タスクを扱うのに顕著な習熟度を示した。汎用性にもかかわらず、GNNはトランスファービリティにおいて重大な課題に直面し、現実のアプリケーションでの利用を制限している。グラフ領域によく訓練されたGNNを転送するための有効かつパラメータ効率のよいGraphLoRAを提案する。
論文参考訳（メタデータ） (2024-09-25T06:57:42Z)
DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation [14.61592658071535]
そこで本研究では,対象グラフ上の情報ノードを定量化して追加アノテーションを付加する,アクティブグラフ領域適応の問題について検討する。この問題は、複雑なトポロジカルな関係とグラフ間の分布差のため、非常に難しい。グラフ領域適応のためのDELTA(Dual Consistency Delving with Topological Uncertainty)という新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-13T16:06:18Z)
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)
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)
CoCo: A Coupled Contrastive Framework for Unsupervised Domain Adaptive Graph Classification [45.60080275612589]
結合学習分野からトポロジ情報を抽出するCoCo(CoCo)を提案する。 CoCoは、さまざまな設定で競合するベースラインを上回っている。
論文参考訳（メタデータ） (2023-06-08T07:10:35Z)
Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文参考訳（メタデータ） (2023-05-29T04:51:09Z)
You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文参考訳（メタデータ） (2023-02-27T22:56:06Z)
Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文参考訳（メタデータ） (2022-02-07T08:04:59Z)
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)
Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-31T03:48:41Z)
Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。