論文の概要: Graph Domain Adaptation: Challenges, Progress and Prospects

• arxiv url: http://arxiv.org/abs/2402.00904v1
• Date: Thu, 1 Feb 2024 02:44:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 18:15:32.128007
• Title: Graph Domain Adaptation: Challenges, Progress and Prospects
• Title（参考訳）: グラフドメイン適応:挑戦、進歩、展望
• Authors: Boshen Shi, Yongqing Wang, Fangda Guo, Bingbing Xu, Huawei Shen, Xueqi Cheng
• Abstract要約: 本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。 GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
• 参考スコア（独自算出の注目度）: 61.9048172631524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As graph representation learning often suffers from label scarcity problems in real-world applications, researchers have proposed graph domain adaptation (GDA) as an effective knowledge-transfer paradigm across graphs. In particular, to enhance model performance on target graphs with specific tasks, GDA introduces a bunch of task-related graphs as source graphs and adapts the knowledge learnt from source graphs to the target graphs. Since GDA combines the advantages of graph representation learning and domain adaptation, it has become a promising direction of transfer learning on graphs and has attracted an increasing amount of research interest in recent years. In this paper, we comprehensively overview the studies of GDA and present a detailed survey of recent advances. Specifically, we outline the research status and challenges, propose a taxonomy, introduce the details of representative works, and discuss the prospects. To the best of our knowledge, this paper is the first survey for graph domain adaptation. A detailed paper list is available at https://github.com/Skyorca/Awesome-Graph-Domain-Adaptation-Papers.
• Abstract（参考訳）: グラフ表現学習は実世界のアプリケーションにおいてラベル不足に悩まされることが多いため、研究者はグラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応(GDA)を提案してきた。 特に、特定のタスクでターゲットグラフのモデルパフォーマンスを向上させるため、GDAはソースグラフとしてタスク関連グラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 gdaはグラフ表現学習とドメイン適応の利点を併せ持つので、グラフ上の転送学習の有望な方向性となり、近年は研究の関心が高まっている。 本稿では,GDA研究の概要を概観し,最近の進歩に関する詳細な調査を紹介する。 具体的には,研究状況と課題の概要,分類の提案,代表作品の詳細紹介,今後の展望について述べる。 我々の知る限りでは、この論文はグラフ領域適応に関する最初の調査である。 詳細なペーパーリストはhttps://github.com/Skyorca/Awesome-Graph-Domain-Adaptation-Papersにある。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Unifying Graph Contrastive Learning via Graph Message Augmentation [22.66138581419178]
  グラフデータ拡張(GDA)は、グラフの対照的な学習において重要な問題である。 我々の知る限りでは、異なる種類のグラフデータに適した、普遍的で効果的な拡張子をいまだに欠いている。 既存の多くのGDAを再構成する汎用的なスキームであるグラフメッセージ拡張(GMA)を提案する。 そこで我々は,グラフコントラスト学習に属性誘導型ユニバーサルGMAを用いたグラフコントラスト学習(Graph Message Contrastive Learning, GMCL)を提案する。
  論文  参考訳（メタデータ） (2024-01-08T02:49:16Z)
• Graph Prompt Learning: A Comprehensive Survey and Beyond [24.64987655155218]
  本稿では,AGI(Artificial General Intelligence)におけるグラフプロンプトの出現領域に関する先駆的な調査を紹介する。 本稿では,グラフ領域におけるプロンプトトークン,トークン構造,挿入パターンを明確にし,グラフプロンプト学習を理解するための統一的なフレームワークを提案する。 包括的な分類学では、この分野の100以上の著作を分類し、ノードレベル、エッジレベル、グラフレベルの目的にまたがる事前学習タスクと整合させる。
  論文  参考訳（メタデータ） (2023-11-28T05:36:59Z)
• Data Augmentation on Graphs: A Technical Survey [22.15025123705249]
  グラフ表現学習は、低品質のデータ問題に悩まされている間、目覚ましい成功を収めた。 データ拡張もグラフ領域で注目を集めている。 この調査は、グラフデータ拡張手法の包括的なレビューと概要を提供する。
  論文  参考訳（メタデータ） (2022-12-20T02:51:28Z)
• Graph Learning and Its Advancements on Large Language Models: A Holistic Survey [37.01696685233113]
  この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。 グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
  論文  参考訳（メタデータ） (2022-12-17T22:05:07Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。