論文の概要: Beyond Generalization: A Survey of Out-Of-Distribution Adaptation on Graphs

• arxiv url: http://arxiv.org/abs/2402.11153v1
• Date: Sat, 17 Feb 2024 00:40:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 23:00:16.967936
• Title: Beyond Generalization: A Survey of Out-Of-Distribution Adaptation on Graphs
• Title（参考訳）: 一般化を超えて - グラフの外部分布適応に関する調査
• Authors: Shuhan Liu, Kaize Ding
• Abstract要約: 本稿では,OF-Distribution (OOD) 適応法について,最新かつ前向きに検討する。 提案するグラフOOD適応分類法に基づいて,既存の手法を学習パラダイムに従って体系的に分類する。 我々は,有望な研究方針とそれに対応する課題を指摘する。
• 参考スコア（独自算出の注目度）: 22.561747395557642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distribution shifts on graphs -- the data distribution discrepancies between training and testing a graph machine learning model, are often ubiquitous and unavoidable in real-world scenarios. Such shifts may severely deteriorate the performance of the model, posing significant challenges for reliable graph machine learning. Consequently, there has been a surge in research on graph Out-Of-Distribution (OOD) adaptation methods that aim to mitigate the distribution shifts and adapt the knowledge from one distribution to another. In our survey, we provide an up-to-date and forward-looking review of graph OOD adaptation methods, covering two main problem scenarios including training-time as well as test-time graph OOD adaptation. We start by formally formulating the two problems and then discuss different types of distribution shifts on graphs. Based on our proposed taxonomy for graph OOD adaptation, we systematically categorize the existing methods according to their learning paradigm and investigate the techniques behind them. Finally, we point out promising research directions and the corresponding challenges. We also provide a continuously updated reading list at https://github.com/kaize0409/Awesome-Graph-OOD-Adaptation.git
• Abstract（参考訳）: グラフ上の分散シフト -- グラフ機械学習モデルのトレーニングとテストの間のデータ分散の相違は、しばしばユビキタスで、現実のシナリオでは避けられない。 このようなシフトはモデルのパフォーマンスを著しく低下させ、信頼できるグラフ機械学習にとって大きな課題となる可能性がある。 その結果、分布シフトを緩和し、ある分布から別の分布へ知識を適応させることを目的としたグラフ外分布適応法(OOD)の研究が急増した。 本調査では,OOD適応法とテスト時間グラフOOD適応の2つの主要な問題シナリオを網羅し,最新のOOD適応法を概観する。 まず、2つの問題を形式的に定式化し、グラフ上の異なる種類の分布シフトについて論じる。 提案するグラフOOD適応分類法に基づいて,既存の手法を学習パラダイムに従って体系的に分類し,その背後にある技術について検討する。 最後に,有望な研究の方向性と対応課題を指摘する。 また、https://github.com/kaize0409/Awesome-Graph-OOD-Adaptation.gitで継続的に更新された読み込みリストも提供します。

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)
• Collaborate to Adapt: Source-Free Graph Domain Adaptation via Bi-directional Adaptation [40.25858820407687]
  教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation, UGDA)は、ラベル豊富なソースグラフから完全にラップされていないターゲットグラフへ知識を転送する実用的なソリューションとして登場した。 本稿では,モデル適応とグラフ適応を協調的に行う,GraphCTAという新しいパラダイムを提案する。 提案手法は,近年のソースフリーベースラインを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2024-03-03T10:23:08Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions [64.84521350148513]
  グラフは、現実世界の無数に存在する相互接続構造を表す。 グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。 しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。 これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
  論文  参考訳（メタデータ） (2023-08-26T09:11:44Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Out-Of-Distribution Generalization on Graphs: A Survey [45.16337435648981]
  グラフ機械学習は学術と産業の両方で広く研究されている。 ほとんどの文献はI.I.D.仮説に基づいて構築されている。 この問題を解決するために、グラフのアウト・オブ・ディストリビューション(OOD)一般化は大きな進歩を遂げ、研究コミュニティから注目を集めている。 本論文は,OODのグラフへの一般化の体系的および包括的レビューとして,我々の知識を最大限に活用した最初のものである。
  論文  参考訳（メタデータ） (2022-02-16T10:59:06Z)
• 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)

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。