論文の概要: Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation
- arxiv url: http://arxiv.org/abs/2407.11052v2
- Date: Mon, 11 Nov 2024 12:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:05:13.685157
- Title: Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation
- Title（参考訳）: 教師なしグラフドメイン適応の再検討、ベンチマーク、理解
- Authors: Meihan Liu, Zhen Zhang, Jiachen Tang, Jiajun Bu, Bingsheng He, Sheng Zhou,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 31.106636947179005
- License:
- Abstract: Unsupervised Graph Domain Adaptation (UGDA) involves the transfer of knowledge from a label-rich source graph to an unlabeled target graph under domain discrepancies. Despite the proliferation of methods designed for this emerging task, the lack of standard experimental settings and fair performance comparisons makes it challenging to understand which and when models perform well across different scenarios. To fill this gap, we present the first comprehensive benchmark for unsupervised graph domain adaptation named GDABench, which encompasses 16 algorithms across 5 datasets with 74 adaptation tasks. Through extensive experiments, we observe that the performance of current UGDA models varies significantly across different datasets and adaptation scenarios. Specifically, we recognize that when the source and target graphs face significant distribution shifts, it is imperative to formulate strategies to effectively address and mitigate graph structural shifts. We also find that with appropriate neighbourhood aggregation mechanisms, simple GNN variants can even surpass state-of-the-art UGDA baselines. To facilitate reproducibility, we have developed an easy-to-use library PyGDA for training and evaluating existing UGDA methods, providing a standardized platform in this community. Our source codes and datasets can be found at: https://github.com/pygda-team/pygda.
- Abstract（参考訳）: 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、ドメインの相違の下でラベルなしのターゲットグラフへの知識の転送を含む。
この新たなタスク用に設計されたメソッドが急増しているにも関わらず、標準的な実験的な設定や公正なパフォーマンス比較が欠如しているため、モデルがさまざまなシナリオでうまく機能するかどうかを理解するのは難しい。
このギャップを埋めるために、GDABenchという、74の適応タスクを持つ5つのデータセットにまたがる16のアルゴリズムを含む、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。
広範な実験を通して、現在のUGDAモデルの性能は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が観察された。
具体的には、ソースグラフとターゲットグラフが大きな分布シフトに直面している場合、グラフ構造シフトに効果的に対処し緩和するための戦略を定式化することが重要であることを認識している。
また, 局所凝集機構が適切であれば, 単純な GNN 変種は最先端の UGDA ベースラインを超えることもある。
再現性を高めるため,既存のUGDA手法を学習・評価するためのPyGDAライブラリを開発した。
ソースコードとデータセットは、https://github.com/pygda-team/pygda.comで確認できます。
関連論文リスト
- Can Modifying Data Address Graph Domain Adaptation? [20.343259091425708]
Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフからラベル付きターゲットグラフへの知識伝達を容易にすることを目的としている。
小さいが転送可能なグラフを生成する新しいUGDA法であるGraphAlignを提案する。
古典的な経験的リスク最小化(ERM)を備えた新しいグラフ上で、GNNのみをトレーニングすることにより、GraphAlignは、ターゲットグラフ上での例外的なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-07-27T17:56:31Z) - 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) - Pairwise Alignment Improves Graph Domain Adaptation [16.626928606474173]
この研究は、グラフデータ上の分散シフトのユニークな複雑さに対処するために、グラフドメイン適応(GDA)に注力する。
本稿では,グラフ構造変化に対応する新しい理論的手法であるペアワイズアライメント(ペアワイズアライメント)を提案する。
提案手法は,ソーシャルネットワークの領域シフトを伴うノード分類を含む実世界のアプリケーションにおいて,優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-02T04:31:28Z) - GSINA: Improving Subgraph Extraction for Graph Invariant Learning via
Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。
グラフシンクホーン注意機構(GSINA)を提案する。
GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文 参考訳（メタデータ） (2024-02-11T12:57:16Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - 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) - Structural Re-weighting Improves Graph Domain Adaptation [13.019371337183202]
本研究は,グラフ構造やノード属性による分散シフトの影響について検討する。
構造再重み付け(StruRW)と呼ばれる新しい手法がこの問題に対処するために提案され、合成グラフ、ベンチマークデータセット4つ、高エネルギー物理学における新しい応用についてテストされている。
論文 参考訳（メタデータ） (2023-06-05T20:11:30Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - 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) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。