論文の概要: DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation
- arxiv url: http://arxiv.org/abs/2409.08946v1
- Date: Fri, 13 Sep 2024 16:06:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 15:50:08.033621
- Title: DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation
- Title(参考訳): DELTA: アクティブグラフ領域適応のためのトポロジ的不確かさを両立させる
- Authors: Pengyun Wang, Yadi Cao, Chris Russell, Siyu Heng, Junyu Luo, Yanxin Shen, Xiao Luo,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.61592658071535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph domain adaptation has recently enabled knowledge transfer across different graphs. However, without the semantic information on target graphs, the performance on target graphs is still far from satisfactory. To address the issue, we study the problem of active graph domain adaptation, which selects a small quantitative of informative nodes on the target graph for extra annotation. This problem is highly challenging due to the complicated topological relationships and the distribution discrepancy across graphs. In this paper, we propose a novel approach named Dual Consistency Delving with Topological Uncertainty (DELTA) for active graph domain adaptation. Our DELTA consists of an edge-oriented graph subnetwork and a path-oriented graph subnetwork, which can explore topological semantics from complementary perspectives. In particular, our edge-oriented graph subnetwork utilizes the message passing mechanism to learn neighborhood information, while our path-oriented graph subnetwork explores high-order relationships from substructures. To jointly learn from two subnetworks, we roughly select informative candidate nodes with the consideration of consistency across two subnetworks. Then, we aggregate local semantics from its K-hop subgraph based on node degrees for topological uncertainty estimation. To overcome potential distribution shifts, we compare target nodes and their corresponding source nodes for discrepancy scores as an additional component for fine selection. Extensive experiments on benchmark datasets demonstrate that DELTA outperforms various state-of-the-art approaches.
- Abstract(参考訳): グラフドメイン適応は、最近、異なるグラフ間の知識伝達を可能にした。
しかし、対象グラフのセマンティック情報がなければ、対象グラフのパフォーマンスはまだまだ満足できない。
この問題に対処するため,ターゲット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,アクティブなグラフ領域適応の課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。
本稿では,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。
我々のDELTAはエッジ指向グラフサブネットワークとパス指向グラフサブネットワークで構成されており、相補的な視点からトポロジカルセマンティクスを探索することができる。
特に、エッジ指向グラフサブネットは、メッセージパッシング機構を利用して近隣情報を学習し、パス指向グラフサブネットは、下位構造からの高次関係を探索する。
2つのサブネットワークから共同で学習するために,2つのサブネットワーク間の一貫性を考慮した情報的候補ノードを大まかに選択する。
そして、そのKホップ部分グラフから局所的意味をノード次数に基づいて集約し、位相的不確実性推定を行う。
分散の潜在的なシフトを克服するために、異なるスコアに対するターゲットノードとその対応するソースノードを、微調整のための追加のコンポーネントとして比較する。
ベンチマークデータセットに関する大規模な実験は、DELTAが様々な最先端アプローチより優れていることを示している。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳(メタデータ) (2024-05-08T02:44:13Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Domain Adaptive Graph Classification [0.0]
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。
論文 参考訳(メタデータ) (2023-12-21T02:37:56Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - Learning to Identify Graphs from Node Trajectories in Multi-Robot
Networks [15.36505600407192]
本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。
マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2023-07-10T07:09:12Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Detecting Communities from Heterogeneous Graphs: A Context Path-based
Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。
ノード間の高次関係をノードの埋め込みに埋め込む。
最先端のコミュニティ検出手法よりも優れています。
論文 参考訳(メタデータ) (2021-09-05T12:28:00Z)
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。