論文の概要: Homophily Enhanced Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2505.20089v1
• Date: Mon, 26 May 2025 15:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.539167
• Title: Homophily Enhanced Graph Domain Adaptation
• Title（参考訳）: ホモフィリーに拡張されたグラフドメイン適応
• Authors: Ruiyi Fang, Bingheng Li, Jingyu Zhao, Ruizhi Pu, Qiuhao Zeng, Gezheng Xu, Charles Ling, Boyu Wang,
• Abstract要約: Graph Domain Adaptation (GDA)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に知識を転送する。 本稿では,グラフ領域アライメントの重要な要素であるグラフホモフィリーの重要性を強調する。 グラフ信号の滑らか化に混合フィルタを用いる新しいホモフィリアライメントアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.904644507766448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) transfers knowledge from labeled source graphs to unlabeled target graphs, addressing the challenge of label scarcity. In this paper, we highlight the significance of graph homophily, a pivotal factor for graph domain alignment, which, however, has long been overlooked in existing approaches. Specifically, our analysis first reveals that homophily discrepancies exist in benchmarks. Moreover, we also show that homophily discrepancies degrade GDA performance from both empirical and theoretical aspects, which further underscores the importance of homophily alignment in GDA. Inspired by this finding, we propose a novel homophily alignment algorithm that employs mixed filters to smooth graph signals, thereby effectively capturing and mitigating homophily discrepancies between graphs. Experimental results on a variety of benchmarks verify the effectiveness of our method.
• Abstract（参考訳）: Graph Domain Adaptation (GDA)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に知識を転送する。 本稿では,グラフ領域アライメントの重要な要素であるグラフホモフィリーの重要性を強調する。 具体的には、まず、ホモフィリーな不一致がベンチマークに存在することを明らかにする。 さらに, ホモフィリ整合性は, 経験的, 理論的両面からGDA性能を低下させ, GDAにおけるホモフィリ整合性の重要性を浮き彫りにした。 この発見に触発されて,グラフ信号に混合フィルタを用いた新しいホモフィリアライメントアルゴリズムを提案し,グラフ間のホモフィリアライメントを効果的に捕捉・緩和する。 各種ベンチマーク実験により,本手法の有効性が検証された。

関連論文リスト

• It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。 我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。 参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
  論文  参考訳（メタデータ） (2025-05-18T13:28:56Z)
• On the Benefits of Attribute-Driven Graph Domain Adaptation [9.222205090406488]
  Graph Domain Adaptation (GDA)は、特に実世界のグラフデータセットにラベル付きデータが存在しないため、クロスネットワーク学習における押し付けの課題に対処する。 最近の研究では、グラフ間の構造的シフトを排除して、領域不変表現を学習しようと試みている。 既存の手法はグラフ領域のアライメントに重要な要素であるグラフノード属性の重要性を見落としていることを示す。
  論文  参考訳（メタデータ） (2025-02-04T03:04:04Z)
• Homophily-aware Heterogeneous Graph Contrastive Learning [23.38883104104888]
  我々は,同種ノード表現を学習するために,HGMSと呼ばれる新しい異種グラフコントラスト学習フレームワークを提案する。 具体的には、拡張ビューのホモフィリティーを高めるヘテロジニアスエッジドロップ増強戦略を設計する。 実際に,自己表現行列を解くための2つの手法を開発した。
  論文  参考訳（メタデータ） (2025-01-15T02:56:50Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Label-Wise Message Passing Graph Neural Network on Heterophilic Graphs [20.470934944907608]
  ホモフィリーあるいはヘテロフィリーなグラフでよく機能する新しいフレームワークについて検討する。 ラベルに関するメッセージパッシングでは、類似の擬似ラベルを持つ隣人が集約される。 また、ホモフィリー・ヘテロフィリーなグラフのモデルを自動的に選択するバイレベル最適化法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T14:49:45Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。