論文の概要: Multi-Domain Graph Foundation Models: Robust Knowledge Transfer via Topology Alignment

• arxiv url: http://arxiv.org/abs/2502.02017v1
• Date: Tue, 04 Feb 2025 05:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:08.769605
• Title: Multi-Domain Graph Foundation Models: Robust Knowledge Transfer via Topology Alignment
• Title（参考訳）: マルチドメイングラフ基礎モデル:トポロジアライメントによるロバストな知識伝達
• Authors: Shuo Wang, Bokui Wang, Zhixiang Shen, Boyan Deng, Zhao Kang,
• Abstract要約: 実世界のグラフはスパースが多く、ノイズの多い接続や敵の攻撃を受けやすい。 本稿では,ドメイン間のトポロジ情報を整合化し活用する統合フレームワークであるMDGFMを提案する。 トポロジを整列させることで、MDGFMはマルチドメイン事前学習を改善するだけでなく、目に見えないドメインへの堅牢な知識伝達を可能にする。
• 参考スコア（独自算出の注目度）: 9.215549756572976
• License:
• Abstract: Recent advances in CV and NLP have inspired researchers to develop general-purpose graph foundation models through pre-training across diverse domains. However, a fundamental challenge arises from the substantial differences in graph topologies across domains. Additionally, real-world graphs are often sparse and prone to noisy connections and adversarial attacks. To address these issues, we propose the Multi-Domain Graph Foundation Model (MDGFM), a unified framework that aligns and leverages cross-domain topological information to facilitate robust knowledge transfer. MDGFM bridges different domains by adaptively balancing features and topology while refining original graphs to eliminate noise and align topological structures. To further enhance knowledge transfer, we introduce an efficient prompt-tuning approach. By aligning topologies, MDGFM not only improves multi-domain pre-training but also enables robust knowledge transfer to unseen domains. Theoretical analyses provide guarantees of MDGFM's effectiveness and domain generalization capabilities. Extensive experiments on both homophilic and heterophilic graph datasets validate the robustness and efficacy of our method.
• Abstract（参考訳）: CVとNLPの最近の進歩は、研究者に様々な領域にまたがる事前学習を通じて汎用グラフ基盤モデルを開発するきっかけとなった。 しかし、基本的な課題は、領域間のグラフトポロジの実質的な違いから生じる。 さらに、現実世界のグラフはスパースで、ノイズの多い接続や敵の攻撃を受けやすいことが多い。 これらの課題に対処するために,多ドメイングラフ基盤モデル (MDGFM) を提案する。 MDGFMは、ノイズを排除し、位相構造を整列させるために元のグラフを精製しながら、特徴と位相を適応的にバランスさせることによって異なる領域を橋渡しする。 知識伝達をさらに促進するために,効率的なプロンプトチューニング手法を提案する。 トポロジを整列させることで、MDGFMはマルチドメイン事前学習を改善するだけでなく、目に見えないドメインへの堅牢な知識伝達を可能にする。 理論解析はMDGFMの有効性と領域一般化能力の保証を提供する。 本手法のロバスト性および有効性を評価するため, 同好性グラフとヘテロ親和性グラフの両方に関する広範囲な実験を行った。

関連論文リスト

• Adaptive Coordinators and Prompts on Heterogeneous Graphs for Cross-Domain Recommendations [31.05975545409408]
  我々は,マルチドメイングラフを結合構造に統合するフレームワークHAGOを開発した。 また、ユニバーサルなマルチドメイングラフ事前学習戦略も開発している。 提案手法は,マルチドメインレコメンデーションシナリオにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-15T15:50:53Z)
• 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)
• SPA: A Graph Spectral Alignment Perspective for Domain Adaptation [41.89873161315133]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、データ分布が異なる特定のターゲットドメインにドメインモデルを拡張するための機械学習における重要な形式である。 それまでのほとんどの研究はドメイン間の転送可能性の獲得に重点を置いていたが、ドメイン内のリッチな構造を見落としている。 トレードオフに対処するための新しいグラフスペクトラルアライメント(SPA)フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-10-26T17:13:48Z)
• Augmenting Knowledge Transfer across Graphs [16.50013525404218]
  本稿では,グラフ間の知識伝達を増強する汎用学習フレームワークであるTransNETを紹介する。 特に、様々なグラフ信号を異なる粒度で自然に定式化できるトリニティ信号という新しい概念を導入する。 TransNETは7つのベンチマークデータセットに対する既存のアプローチを、大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-12-09T08:46:02Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Domain Adaptation by Topology Regularization [0.0]
  ドメイン適応(DA)または転送学習(TL)は、ラベル付き(ソース)データセットから関心のある(ターゲット)データセットに知識を転送するアルゴリズムを可能にする。 本稿では,TLに永続ホモロジーと呼ばれる位相データ解析手法を適用し,グローバルなデータ構造を活用することを提案する。
  論文  参考訳（メタデータ） (2021-01-28T16:45:41Z)
• 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 Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 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） (2020-07-17T07:52:44Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• 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。