論文の概要: SA-GDA: Spectral Augmentation for Graph Domain Adaptation
- arxiv url: http://arxiv.org/abs/2408.09189v1
- Date: Sat, 17 Aug 2024 13:01:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 21:50:21.959733
- Title: SA-GDA: Spectral Augmentation for Graph Domain Adaptation
- Title(参考訳): SA-GDA: グラフ領域適応のためのスペクトル拡張
- Authors: Jinhui Pang, Zixuan Wang, Jiliang Tang, Mingyan Xiao, Nan Yin,
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。
本稿では、グラフノード分類のためのグラフドメイン適応のためのtextitSpectral Augmentation(method)を提案する。
特徴集約のための局所的および大域的一貫性を協調的に活用するデュアルグラフ畳み込みネットワークを開発した。
- 参考スコア(独自算出の注目度): 38.71041292000361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have achieved impressive impressions for graph-related tasks. However, most GNNs are primarily studied under the cases of signal domain with supervised training, which requires abundant task-specific labels and is difficult to transfer to other domains. There are few works focused on domain adaptation for graph node classification. They mainly focused on aligning the feature space of the source and target domains, without considering the feature alignment between different categories, which may lead to confusion of classification in the target domain. However, due to the scarcity of labels of the target domain, we cannot directly perform effective alignment of categories from different domains, which makes the problem more challenging. In this paper, we present the \textit{Spectral Augmentation for Graph Domain Adaptation (\method{})} for graph node classification. First, we observe that nodes with the same category in different domains exhibit similar characteristics in the spectral domain, while different classes are quite different. Following the observation, we align the category feature space of different domains in the spectral domain instead of aligning the whole features space, and we theoretical proof the stability of proposed \method{}. Then, we develop a dual graph convolutional network to jointly exploits local and global consistency for feature aggregation. Last, we utilize a domain classifier with an adversarial learning submodule to facilitate knowledge transfer between different domain graphs. Experimental results on a variety of publicly available datasets reveal the effectiveness of our \method{}.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。
しかし、ほとんどのGNNは、多くのタスク固有のラベルが必要で、他のドメインへの転送が困難である、教師付きトレーニングを備えた信号ドメインのケースで主に研究されている。
グラフノード分類のためのドメイン適応に焦点を当てた研究はほとんどない。
彼らは主に、異なるカテゴリ間の特徴の整合性を考慮せずに、ソースとターゲットドメインの特徴空間の整合性に焦点を合わせ、ターゲットドメインの分類を混乱させる可能性がある。
しかし、対象ドメインのラベルが不足しているため、異なるドメインのカテゴリを効果的にアライメントすることは困難である。
本稿では,グラフノード分類のためのグラフ領域適応のための「textit{Spectral Augmentation for Graph Domain Adaptation (\method{})}を提案する。
まず、異なる領域で同じカテゴリを持つノードがスペクトル領域で類似した特性を示すのに対し、異なるクラスは異なることを観察する。
観察の後、全特徴空間を整列する代わりにスペクトル領域内の異なる領域の圏特徴空間を整列し、提案された「メトッド」の安定性を理論的に証明する。
そこで我々は,特徴集約のための局所的および大域的一貫性を共同で活用するデュアルグラフ畳み込みネットワークを開発した。
最後に、逆学習サブモジュールを持つドメイン分類器を用いて、異なるドメイングラフ間の知識伝達を容易にする。
様々な公開データセットの実験結果から,我々の<method{}>の有効性が明らかとなった。
関連論文リスト
- Semi-supervised Domain Adaptation in Graph Transfer Learning [24.32465362708831]
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。
論文 参考訳(メタデータ) (2023-09-19T17:20:58Z) - Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via
Graph Matching [14.876681993079062]
本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。
また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
論文 参考訳(メタデータ) (2022-08-09T02:30:15Z) - Zero-shot Domain Adaptation of Heterogeneous Graphs via Knowledge
Transfer Networks [72.82524864001691]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、強力な表現学習技術として優れた性能を示している。
異なるノードタイプにルートされたラベルを使って直接学習する方法はありません。
本研究では,HGNN(HGNN-KTN)のための新しいドメイン適応手法である知識伝達ネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-03T21:00:23Z) - 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) - Simultaneous Semantic Alignment Network for Heterogeneous Domain
Adaptation [67.37606333193357]
本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。
対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。
テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
論文 参考訳(メタデータ) (2020-08-04T16:20:37Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2020-08-03T13:27:24Z) - Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。
さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-03-28T17:46:55Z)
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。