論文の概要: Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics

• arxiv url: http://arxiv.org/abs/2505.12709v1
• Date: Mon, 19 May 2025 05:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.41306
• Title: Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics
• Title（参考訳）: グラフ・グラデーショナル・ドメイン・アダプテーションによるGromov-Wasserstein測地学
• Authors: Zhichen Zeng, Ruizhong Qiu, Wenxuan Bao, Tianxin Wei, Xiao Lin, Yuchen Yan, Tarek F. Abdelzaher, Jiawei Han, Hanghang Tong,
• Abstract要約: グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。 非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。 ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
• 参考スコア（独自算出の注目度）: 59.07903030446756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks, despite their impressive performance, are highly vulnerable to distribution shifts on graphs. Existing graph domain adaptation (graph DA) methods often implicitly assume a \textit{mild} shift between source and target graphs, limiting their applicability to real-world scenarios with \textit{large} shifts. Gradual domain adaptation (GDA) has emerged as a promising approach for addressing large shifts by gradually adapting the source model to the target domain via a path of unlabeled intermediate domains. Existing GDA methods exclusively focus on independent and identically distributed (IID) data with a predefined path, leaving their extension to \textit{non-IID graphs without a given path} an open challenge. To bridge this gap, we present Gadget, the first GDA framework for non-IID graph data. First (\textit{theoretical foundation}), the Fused Gromov-Wasserstein (FGW) distance is adopted as the domain discrepancy for non-IID graphs, based on which, we derive an error bound revealing that the target domain error is proportional to the length of the path. Second (\textit{optimal path}), guided by the error bound, we identify the FGW geodesic as the optimal path, which can be efficiently generated by our proposed algorithm. The generated path can be seamlessly integrated with existing graph DA methods to handle large shifts on graphs, improving state-of-the-art graph DA methods by up to 6.8\% in node classification accuracy on real-world datasets.
• Abstract（参考訳）: グラフニューラルネットワークは、優れたパフォーマンスにもかかわらず、グラフ上の分散シフトに対して非常に脆弱である。 既存のグラフ領域適応(グラフDA)メソッドは、しばしば、ソースとターゲットグラフの間の \textit{mild} シフトを暗黙的に仮定し、 \textit{large} シフトを持つ実世界のシナリオに適用性を制限する。 段階的ドメイン適応(GDA)は、未ラベルの中間ドメインのパスを介して、ソースモデルをターゲットドメインに徐々に適応させることにより、大きなシフトに対処するための有望なアプローチとして登場した。 既存のGDA法は、事前に定義された経路を持つ独立で同一に分散された(IID)データにのみ焦点をあて、与えられた経路を含まないtextit{non-IIDグラフへの拡張はオープンな課題である。 このギャップを埋めるため、非IIDグラフデータのための最初のGDAフレームワークであるGadgetを提示する。 第一に (\textit{theoretical foundation}), Fused Gromov-Wasserstein (FGW) 距離を非IIDグラフの領域差として採用し, 対象領域誤差が経路の長さに比例する誤差境界を導出する。 エラー境界によって導かれる第2の (\textit{optimal path}) では、FGW測地線を最適経路として同定し、提案アルゴリズムにより効率的に生成できる。 生成されたパスは、既存のグラフDAメソッドとシームレスに統合してグラフ上の大きなシフトを処理し、実際のデータセットのノード分類精度を最大6.8 %向上させることができる。

関連論文リスト

• Gradual Domain Adaptation for Graph Learning [13.143891794601162]
  本稿では,コンパクトなドメイン配列を構成するグラフ段階的ドメイン適応(GGDA)フレームワークを提案する。 我々のアプローチは、FGW(Fused Gromov-Wasserstein)計量上の知識保存中間グラフの効率的な生成から始まる。 我々のフレームワークは、実装可能な上界と下界を介して、難易度の高いドメイン間距離$W_p(mu_t,mu_t+1)$を増大させる。
  論文  参考訳（メタデータ） (2025-01-29T06:48:59Z)
• 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)
• 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)
• 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)
• 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)

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。