Fugu-MT 論文翻訳(概要): Domain Adaptive Unfolded Graph Neural Networks

論文の概要: Domain Adaptive Unfolded Graph Neural Networks

arxiv url: http://arxiv.org/abs/2411.13137v1
Date: Wed, 20 Nov 2024 09:05:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-21 16:11:43.016212
Title: Domain Adaptive Unfolded Graph Neural Networks
Title（参考訳）: Domain Adaptive Unfolded Graph Neural Networks
Authors: Zepeng Zhang, Olga Fink,
Abstract要約: グラフニューラルネットワーク(GNN)は多くのグラフ機械学習タスクで大きく進歩している。本稿では,アーキテクチャの強化によるグラフ領域適応(GDA)の促進について考察する。低レベル目標値の低減が保証されるカスケード伝搬(CP)と呼ばれる,単純かつ効果的な手法を提案する。
参考スコア（独自算出の注目度）: 6.675805308519987
License:
Abstract: Over the last decade, graph neural networks (GNNs) have made significant progress in numerous graph machine learning tasks. In real-world applications, where domain shifts occur and labels are often unavailable for a new target domain, graph domain adaptation (GDA) approaches have been proposed to facilitate knowledge transfer from the source domain to the target domain. Previous efforts in tackling distribution shifts across domains have mainly focused on aligning the node embedding distributions generated by the GNNs in the source and target domains. However, as the core part of GDA approaches, the impact of the underlying GNN architecture has received limited attention. In this work, we explore this orthogonal direction, i.e., how to facilitate GDA with architectural enhancement. In particular, we consider a class of GNNs that are designed explicitly based on optimization problems, namely unfolded GNNs (UGNNs), whose training process can be represented as bi-level optimization. Empirical and theoretical analyses demonstrate that when transferring from the source domain to the target domain, the lower-level objective value generated by the UGNNs significantly increases, resulting in an increase in the upper-level objective as well. Motivated by this observation, we propose a simple yet effective strategy called cascaded propagation (CP), which is guaranteed to decrease the lower-level objective value. The CP strategy is widely applicable to general UGNNs, and we evaluate its efficacy with three representative UGNN architectures. Extensive experiments on five real-world datasets demonstrate that the UGNNs integrated with CP outperform state-of-the-art GDA baselines.
Abstract（参考訳）: 過去10年間で、グラフニューラルネットワーク(GNN)は多くのグラフ機械学習タスクで大きな進歩を遂げた。ドメインシフトが発生し、ラベルが新しいターゲットドメインでは利用できない実世界のアプリケーションでは、ソースドメインからターゲットドメインへの知識伝達を容易にするため、グラフドメイン適応(GDA)アプローチが提案されている。ドメイン間の分散シフトに対処するこれまでの取り組みは、主に、GNNがソースドメインとターゲットドメインに生成したノードの埋め込み分布の整合性に重点を置いてきた。しかし、GDAの中核部分のアプローチにより、基礎となるGNNアーキテクチャの影響は限定的に注目されている。本研究では,この直交方向,すなわちアーキテクチャ強化によるGDAの促進について検討する。特に、最適化問題、すなわち、二段階最適化として表すことができる開放型GNN(UGNN)に基づいて明示的に設計されたGNNのクラスを考える。実験的および理論的分析により、ソースドメインからターゲットドメインに移動すると、UGNNによって生成された下位レベルの目標値が大幅に増加し、上位レベルの目標値も増大することが示された。本研究の目的は,低レベル目標値の低減が保証されるカスケード伝搬 (CP) と呼ばれる簡易かつ効果的な手法を提案することである。 CP戦略は一般のUGNNに適用可能であり,その有効性は3つの代表的UGNNアーキテクチャを用いて評価する。 5つの実世界のデータセットに対する大規模な実験は、UGNNがCPと統合され、最先端のGDAベースラインを上回っていることを示している。

関連論文リスト

MLDGG: Meta-Learning for Domain Generalization on Graphs [9.872254367103057]
グラフ上のドメインの一般化は、堅牢な一般化機能を持つモデルを開発することを目的としている。我々のフレームワークであるMDDGGは、多分野間メタラーニングを統合することで、多分野にわたる適応可能な一般化を実現する。実験の結果,MDDGGはベースライン法を超越し,3種類の分散シフト設定で有効性を示した。
論文参考訳（メタデータ） (2024-11-19T22:57:38Z)
GraphLoRA: Structure-Aware Contrastive Low-Rank Adaptation for Cross-Graph Transfer Learning [17.85404473268992]
グラフニューラルネットワーク(GNN)は、様々なグラフ解析タスクを扱うのに顕著な習熟度を示した。汎用性にもかかわらず、GNNはトランスファービリティにおいて重大な課題に直面し、現実のアプリケーションでの利用を制限している。グラフ領域によく訓練されたGNNを転送するための有効かつパラメータ効率のよいGraphLoRAを提案する。
論文参考訳（メタデータ） (2024-09-25T06:57:42Z)
Rethinking Propagation for Unsupervised Graph Domain Adaptation [17.443218657417454]
Unlabelled Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフから教師なしターゲットグラフに知識を転送することを目的としている。本稿では,グラフ領域適応のためのA2GNNというシンプルな手法を提案する。
論文参考訳（メタデータ） (2024-02-08T13:24:57Z)
HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文参考訳（メタデータ） (2024-01-18T12:47:13Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
GNN at the Edge: Cost-Efficient Graph Neural Network Processing over Distributed Edge Servers [24.109721494781592]
グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-10-31T13:03:16Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
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)
Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。グラフ埋め込みに基づく汎用フレームワークを提案する。提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。