論文の概要: Enhancing Distribution and Label Consistency for Graph Out-of-Distribution Generalization
- arxiv url: http://arxiv.org/abs/2501.04102v1
- Date: Tue, 07 Jan 2025 19:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:56:41.486607
- Title: Enhancing Distribution and Label Consistency for Graph Out-of-Distribution Generalization
- Title(参考訳): グラフアウトオブディストリビューション一般化のための分布とラベルの一貫性の強化
- Authors: Song Wang, Xiaodong Yang, Rashidul Islam, Huiyuan Chen, Minghua Xu, Jundong Li, Yiwei Cai,
- Abstract要約: グラフOOD一般化のための2種類の一貫性向上を目的とした革新的なアプローチを導入する。
拡張グラフでは,ラベル-グラフ関係の整合性を損なうことなく,トレーニングデータを充実させる。
我々は、他の最先端のベースラインよりもフレームワークの優位性を示すために、現実世界のデータセットに関する広範な実験を行う。
- 参考スコア(独自算出の注目度): 45.84955654481374
- License:
- Abstract: To deal with distribution shifts in graph data, various graph out-of-distribution (OOD) generalization techniques have been recently proposed. These methods often employ a two-step strategy that first creates augmented environments and subsequently identifies invariant subgraphs to improve generalizability. Nevertheless, this approach could be suboptimal from the perspective of consistency. First, the process of augmenting environments by altering the graphs while preserving labels may lead to graphs that are not realistic or meaningfully related to the origin distribution, thus lacking distribution consistency. Second, the extracted subgraphs are obtained from directly modifying graphs, and may not necessarily maintain a consistent predictive relationship with their labels, thereby impacting label consistency. In response to these challenges, we introduce an innovative approach that aims to enhance these two types of consistency for graph OOD generalization. We propose a modifier to obtain both augmented and invariant graphs in a unified manner. With the augmented graphs, we enrich the training data without compromising the integrity of label-graph relationships. The label consistency enhancement in our framework further preserves the supervision information in the invariant graph. We conduct extensive experiments on real-world datasets to demonstrate the superiority of our framework over other state-of-the-art baselines.
- Abstract(参考訳): グラフデータの分布変化に対処するため、近年、様々なグラフアウト・オブ・ディストリビューション(OOD)一般化技術が提案されている。
これらの手法は、まず拡張環境を作成し、その後一般化性を改善するために不変部分グラフを識別する2段階戦略を用いることが多い。
それでも、このアプローチは一貫性の観点からは最適ではないかもしれない。
第一に、ラベルを保存しながらグラフを変更して環境を拡大するプロセスは、元の分布と現実的あるいは有意義に関係しないグラフにつながり、分布の整合性が欠如する可能性がある。
第2に、抽出した部分グラフはグラフを直接修正することによって得られるもので、必ずしもラベルとの一貫性のある予測関係を維持できないため、ラベルの一貫性に影響を及ぼす可能性がある。
これらの課題に応えて,グラフOOD一般化のための2種類の一貫性を高めることを目的とした,革新的なアプローチを導入する。
拡張グラフと不変グラフの両方を統一的に取得する修飾器を提案する。
拡張グラフでは,ラベル-グラフ関係の整合性を損なうことなく,トレーニングデータを充実させる。
我々のフレームワークにおけるラベル一貫性の強化は、不変グラフの監視情報をさらに保存する。
我々は、他の最先端のベースラインよりもフレームワークの優位性を示すために、現実世界のデータセットに関する広範な実験を行う。
関連論文リスト
- Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。
我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
論文 参考訳(メタデータ) (2025-02-11T21:24:13Z) - Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
グラフニューラルネットワーク(GNN)におけるアウト・オブ・ディストリビューション(OOD)の一般化は注目されている。
多様なサブグラフの集合を学習するために設計された新しいフレームワークSubGraph Aggregation(SuGAr)を提案する。
合成データセットと実世界のデータセットの両方の実験では、SuGArが最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2024-10-29T16:54:37Z) - 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) - Mind the Label Shift of Augmentation-based Graph OOD Generalization [88.32356432272356]
LiSAは、トレーニンググラフの textbfLabel-textbfinvariant textbfSubgraphs を利用して textbfAugmented環境を構築する。
LiSAは、一貫した予測関係を持つ多様な拡張環境を生成する。
ノードレベルのOODベンチマークとグラフレベルのOODベンチマークの実験により、LiSAは異なるGNNバックボーンで印象的な一般化性能を達成することが示された。
論文 参考訳(メタデータ) (2023-03-27T00:08:45Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T04:38:39Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z)
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。