論文の概要: Aggregate to Adapt: Node-Centric Aggregation for Multi-Source-Free Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2502.03033v1
• Date: Wed, 05 Feb 2025 09:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:00.389242
• Title: Aggregate to Adapt: Node-Centric Aggregation for Multi-Source-Free Graph Domain Adaptation
• Title（参考訳）: 適応への集約:マルチソースフリーグラフドメイン適応のためのノード中心の集約
• Authors: Zhen Zhang, Bingsheng He,
• Abstract要約: 教師なしグラフ領域適応(UGDA)は、ラベル付きソースグラフからラベルなしターゲットグラフへの知識の転送に焦点を当てている。 本稿では,ノードの粒度に適応するGraphATAという新しいモデルを提案する。 また、モデル中心の手法と層中心の手法の両方に一般化するGraphATAの能力を実証する。
• 参考スコア（独自算出の注目度）: 29.723258309895655
• License:
• Abstract: Unsupervised graph domain adaptation (UGDA) focuses on transferring knowledge from labeled source graph to unlabeled target graph under domain discrepancies. Most existing UGDA methods are designed to adapt information from a single source domain, which cannot effectively exploit the complementary knowledge from multiple source domains. Furthermore, their assumptions that the labeled source graphs are accessible throughout the training procedure might not be practical due to privacy, regulation, and storage concerns. In this paper, we investigate multi-source-free unsupervised graph domain adaptation, i.e., adapting knowledge from multiple source domains to an unlabeled target domain without utilizing labeled source graphs but relying solely on source pre-trained models. Unlike previous multi-source domain adaptation approaches that aggregate predictions at model level, we introduce a novel model named GraphATA which conducts adaptation at node granularity. Specifically, we parameterize each node with its own graph convolutional matrix by automatically aggregating weight matrices from multiple source models according to its local context, thus realizing dynamic adaptation over graph structured data. We also demonstrate the capability of GraphATA to generalize to both model-centric and layer-centric methods. Comprehensive experiments on various public datasets show that our GraphATA can consistently surpass recent state-of-the-art baselines with different gains.
• Abstract（参考訳）: 教師なしグラフ領域適応(Unsupervised graph domain adapt, UGDA)は、ラベル付きソースグラフから未ラベルのターゲットグラフへの知識の伝達に焦点を当てている。 既存のUGDAメソッドの多くは、単一のソースドメインからの情報を適応するように設計されており、複数のソースドメインからの補完的な知識を効果的に活用することはできない。 さらに、ラベル付きソースグラフがトレーニング手順を通してアクセス可能であるという彼らの仮定は、プライバシ、規制、ストレージ上の懸念のために実用的ではないかもしれない。 本稿では,複数のソースドメインからの知識をラベル付きソースグラフを使わずにラベル付きターゲットドメインに適応させるという,マルチソースフリーな教師なしグラフドメイン適応について検討する。 モデルレベルでの予測を集約する従来のマルチソースドメイン適応アプローチとは異なり、ノードの粒度に適応するGraphATAと呼ばれる新しいモデルを導入する。 具体的には、各ノードをそれぞれのグラフ畳み込み行列でパラメータ化し、複数のソースモデルからそのローカルコンテキストに応じて重み行列を自動的に集約することで、グラフ構造化データに対する動的適応を実現する。 また、モデル中心の手法と層中心の手法の両方に一般化するGraphATAの能力を実証する。 さまざまな公開データセットに関する総合的な実験は、GraphATAが最新の最先端のベースラインを一貫して上回り、利得が異なることを示している。

関連論文リスト

• GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
  ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。 最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。 本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:32:46Z)
• Multi-source Unsupervised Domain Adaptation on Graphs with Transferability Modeling [35.39202826643388]
  本稿では、グラフモデリングに基づくドメインセレクタ、サブグラフノードセレクタ、およびバイレベルアライメント目的を備えた、グラフのためのSelective Multi-source Adaptation for Graph(method)を提案する。 5つのグラフデータセットの結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-14T22:05:21Z)
• 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)
• Finding Diverse and Predictable Subgraphs for Graph Domain Generalization [88.32356432272356]
  本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。 本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。 ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-19T07:57:56Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• 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)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)
• 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)
• 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。