論文の概要: Bridging Source and Target Domains via Link Prediction for Unsupervised Domain Adaptation on Graphs

• arxiv url: http://arxiv.org/abs/2505.24055v1
• Date: Thu, 29 May 2025 22:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.692929
• Title: Bridging Source and Target Domains via Link Prediction for Unsupervised Domain Adaptation on Graphs
• Title（参考訳）: グラフ上の教師なし領域適応のためのリンク予測によるブリッジソースとターゲットドメイン
• Authors: Yilong Wang, Tianxiang Zhao, Zongyu Wu, Suhang Wang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ上のノード分類に優れた能力を示している。 非教師なしドメイン適応(UDA)が注目を集めている。 本稿では、リンク予測を用いて、ソースグラフとターゲットグラフのノードを接続する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.856865172357168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have shown great ability for node classification on graphs. However, the success of GNNs relies on abundant labeled data, while obtaining high-quality labels is costly and challenging, especially for newly emerging domains. Hence, unsupervised domain adaptation (UDA), which trains a classifier on the labeled source graph and adapts it to the unlabeled target graph, is attracting increasing attention. Various approaches have been proposed to alleviate the distribution shift between the source and target graphs to facilitate the classifier adaptation. However, most of them simply adopt existing UDA techniques developed for independent and identically distributed data to gain domain-invariant node embeddings for graphs, which do not fully consider the graph structure and message-passing mechanism of GNNs during the adaptation and will fail when label distribution shift exists among domains. In this paper, we proposed a novel framework that adopts link prediction to connect nodes between source and target graphs, which can facilitate message-passing between the source and target graphs and augment the target nodes to have ``in-distribution'' neighborhoods with the source domain. This strategy modified the target graph on the input level to reduce its deviation from the source domain in the embedding space and is insensitive to disproportional label distributions across domains. To prevent the loss of discriminative information in the target graph, we further design a novel identity-preserving learning objective, which guides the learning of the edge insertion module together with reconstruction and adaptation losses. Experimental results on real-world datasets demonstrate the effectiveness of our framework.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ上のノード分類に優れた能力を示している。 しかし、GNNの成功は豊富なラベル付きデータに依存し、高品質なラベルを得るにはコストがかかり難い。 したがって、ラベル付きソースグラフ上で分類器を訓練し、ラベル付きターゲットグラフに適応するunsupervised domain adaptation (UDA) が注目されている。 ソースグラフとターゲットグラフの分布シフトを緩和し,分類器の適応を容易にするために,様々な手法が提案されている。 しかし、それらの多くは、独立および同一の分散データのために開発された既存のUDA技術を採用して、グラフのドメイン不変ノード埋め込みを得るが、これは、GNNのグラフ構造とメッセージ通過機構を完全には考慮せず、ドメイン間のラベル分布シフトが存在すると失敗する。 本稿では、リンク予測を用いて、ソースとターゲットグラフの間のノードを接続し、ソースとターゲットグラフ間のメッセージパッシングを容易にし、ターゲットノードをソースドメインに'in-distriion'近傍を持つように拡張する新しいフレームワークを提案する。 この戦略は、入力レベルのターゲットグラフを変更して、埋め込み空間のソースドメインからの偏差を減らし、ドメイン間の不均等なラベル分布に敏感である。 対象グラフにおける識別情報の喪失を防止するため,エッジ挿入モジュールの学習を再構築と適応損失とともにガイドする新たなアイデンティティ保存学習目標を設計する。 実世界のデータセットによる実験結果から,本フレームワークの有効性が示された。

関連論文リスト

• Bridging Domain Adaptation and Graph Neural Networks: A Tensor-Based Framework for Effective Label Propagation [23.79865440689265]
  グラフニューラルネットワーク(GNN)は近年,グラフデータ研究の主要なツールとなっている。 グラフ分類タスクにおける最先端のパフォーマンスにもかかわらず、GNNは監督下の単一のドメインで圧倒的に訓練されている。 本稿では,グラフデータと従来のドメイン適応手法のギャップを埋めるために,ラベル伝搬グラフニューラルネットワーク(LP-TGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-12T15:36:38Z)
• 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)
• Semi-supervised Domain Adaptation in Graph Transfer Learning [24.32465362708831]
  グラフに対する教師なしドメイン適応は、ラベル豊富なソースグラフからラベルのないターゲットグラフへの知識伝達を目的としている。 これにより、深刻なドメインシフトとラベルの不足により、グラフ転送学習に重大な課題が課される。 これらの課題に対処するために,SGDA (Semi-supervised Graph Domain Adaptation) という手法を提案する。
  論文  参考訳（メタデータ） (2023-09-19T17:20:58Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• 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。