論文の概要: Model-Free Graph Data Selection under Distribution Shift

• arxiv url: http://arxiv.org/abs/2505.17293v1
• Date: Thu, 22 May 2025 21:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.698233
• Title: Model-Free Graph Data Selection under Distribution Shift
• Title（参考訳）: 分散シフト下におけるモデルフリーグラフデータ選択
• Authors: Ting-Wei Li, Ruizhong Qiu, Hanghang Tong,
• Abstract要約: グラフドメイン適応(GDA)は、グラフ機械学習の基本的なタスクである。 本稿では,対象ドメインの分類タスクに対して,ソースドメインから最高のトレーニングデータを選択する新しいモデルフリーフレームワークであるGRADATEを提案する。 GRADATEは既存の選択法よりも優れており、トレーニングデータが少なく、市販のGDA法を向上する。
• 参考スコア（独自算出の注目度）: 44.30841582710448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph domain adaptation (GDA) is a fundamental task in graph machine learning, with techniques like shift-robust graph neural networks (GNNs) and specialized training procedures to tackle the distribution shift problem. Although these model-centric approaches show promising results, they often struggle with severe shifts and constrained computational resources. To address these challenges, we propose a novel model-free framework, GRADATE (GRAph DATa sElector), that selects the best training data from the source domain for the classification task on the target domain. GRADATE picks training samples without relying on any GNN model's predictions or training recipes, leveraging optimal transport theory to capture and adapt to distribution changes. GRADATE is data-efficient, scalable and meanwhile complements existing model-centric GDA approaches. Through comprehensive empirical studies on several real-world graph-level datasets and multiple covariate shift types, we demonstrate that GRADATE outperforms existing selection methods and enhances off-the-shelf GDA methods with much fewer training data.
• Abstract（参考訳）: グラフドメイン適応(GDA)はグラフ機械学習の基本的なタスクであり、シフトロストグラフニューラルネットワーク(GNN)や分散シフト問題に対処するための特別なトレーニング手順といったテクニックがある。 これらのモデル中心のアプローチは有望な結果を示すが、厳しいシフトと制約のある計算資源に悩まされることが多い。 これらの課題に対処するために、ターゲットドメインの分類タスクに対して、ソースドメインから最適なトレーニングデータを選択する新しいモデルフリーフレームワーク、GRADATE(GRAph DATa sElector)を提案する。 GRADATEは、GNNモデルの予測やトレーニングレシピに頼ることなく、トレーニングサンプルを選択し、最適な輸送理論を活用して、分散の変化を捉え、適応する。 GRADATEはデータ効率が高く、スケーラブルであり、一方で既存のモデル中心のGDAアプローチを補完する。 複数の実世界のグラフレベルデータセットと複数の共変量シフトタイプに関する総合的な実証研究を通じて、GRADATEが既存の選択法より優れ、トレーニングデータが少なくて既成のGDA法が優れていることを実証した。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• 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)
• Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation [31.106636947179005]
  教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation)は、ラベル豊富な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を含む。 GDABenchと呼ばれる教師なしグラフ領域適応のための最初の包括的なベンチマークを示す。 我々は、現在のUGDAモデルの性能がデータセットや適応シナリオによって大きく異なることを観察する。
  論文  参考訳（メタデータ） (2024-07-09T06:44:09Z)
• 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)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Deep Graph Reprogramming [112.34663053130073]
  グラフニューラルネットワーク(GNN)に適したタスク再利用モデル「ディープグラフ再プログラミング」 本稿では,モデル再プログラミングパラダイムと並行して,革新的なデータ再プログラミングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:04:29Z)

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。