論文の概要: Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning

• arxiv url: http://arxiv.org/abs/2508.00716v1
• Date: Fri, 01 Aug 2025 15:32:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.935725
• Title: Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
• Title（参考訳）: Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
• Authors: Yingxu Wang, Mengzhu Wang, Zhichao Huang, Suyu Liu,
• Abstract要約: Nested Graph Pseudo-Label Refinement (NeGPR)は、ノイズラベルによるグラフレベルのドメイン適応に適した、新しいフレームワークである。 NeGPRは、厳密なラベルノイズ下での最先端の手法を一貫して上回り、最大12.7%の精度を達成している。
• 参考スコア（独自算出の注目度）: 9.190820361516415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) facilitates knowledge transfer from labeled source graphs to unlabeled target graphs by learning domain-invariant representations, which is essential in applications such as molecular property prediction and social network analysis. However, most existing GDA methods rely on the assumption of clean source labels, which rarely holds in real-world scenarios where annotation noise is pervasive. This label noise severely impairs feature alignment and degrades adaptation performance under domain shifts. To address this challenge, we propose Nested Graph Pseudo-Label Refinement (NeGPR), a novel framework tailored for graph-level domain adaptation with noisy labels. NeGPR first pretrains dual branches, i.e., semantic and topology branches, by enforcing neighborhood consistency in the feature space, thereby reducing the influence of noisy supervision. To bridge domain gaps, NeGPR employs a nested refinement mechanism in which one branch selects high-confidence target samples to guide the adaptation of the other, enabling progressive cross-domain learning. Furthermore, since pseudo-labels may still contain noise and the pre-trained branches are already overfitted to the noisy labels in the source domain, NeGPR incorporates a noise-aware regularization strategy. This regularization is theoretically proven to mitigate the adverse effects of pseudo-label noise, even under the presence of source overfitting, thus enhancing the robustness of the adaptation process. Extensive experiments on benchmark datasets demonstrate that NeGPR consistently outperforms state-of-the-art methods under severe label noise, achieving gains of up to 12.7% in accuracy.
• Abstract（参考訳）: グラフドメイン適応(GDA)は、分子特性予測やソーシャルネットワーク分析などの応用において不可欠であるドメイン不変表現を学習することにより、ラベル付きソースグラフからラベル付きターゲットグラフへの知識伝達を容易にする。 しかし、既存のほとんどのGDAメソッドはクリーンなソースラベルの仮定に依存しており、アノテーションノイズが広まる現実のシナリオではめったにない。 このラベルノイズは、特徴アライメントを著しく損なうとともに、ドメインシフト時の適応性能を低下させる。 この課題に対処するため,雑音ラベルを用いたグラフレベルのドメイン適応に適した新しいフレームワークであるNested Graph Pseudo-Label Refinement (NeGPR)を提案する。 NeGPRは、まず、特徴空間における近傍の一貫性を強制することにより、二分枝、すなわち意味とトポロジーの分岐を事前訓練し、ノイズの監督の影響を減少させる。 ドメインギャップを埋めるため、NeGPRでは、一方のブランチが高信頼のターゲットサンプルを選択して、他方の適応をガイドし、進行的なクロスドメイン学習を可能にするネスト強化機構を採用している。 さらに、擬似ラベルにはまだノイズが含まれており、事前訓練されたブランチは、ソースドメイン内のノイズラベルにすでに過度に適合しているため、NeGPRはノイズ対応正規化戦略を取り入れている。 この正規化は、ソースオーバーフィッティングの存在下においても擬似ラベルノイズの悪影響を軽減し、適応過程の堅牢性を高めることが理論的に証明されている。 ベンチマークデータセットの大規模な実験により、NeGPRは厳密なラベルのノイズの下で最先端の手法を一貫して上回り、精度は最大12.7%向上した。

関連論文リスト

• Graph Neural Networks with Coarse- and Fine-Grained Division for Mitigating Label Sparsity and Noise [5.943641527857957]
  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処理において,半教師付き学習タスクにおいて注目されている。 現実のシナリオでは、グラフのノード上のラベルは必然的に騒々しく、わずかにラベル付けされているため、GNNのパフォーマンスは著しく低下する。 GNN-CFGD は,粗い分割やきめ細かな分割によるノイズラベルの負の影響を低減し,グラフ再構成を行う。
  論文  参考訳（メタデータ） (2024-11-06T08:21:26Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [9.785526401884155]
  スパイキンググラフネットワーク(SGN)は、脳にインスパイアされた神経力学をエミュレートすることによって、グラフ分類において大きな可能性を証明している。 本稿ではまず,SGNにおけるドメイン適応問題を提案するとともに,クロスドメイン適応のためのDegree-Consicious Spiking Graphという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Graph Harmony: Denoising and Nuclear-Norm Wasserstein Adaptation for Enhanced Domain Transfer in Graph-Structured Data [23.871860648919593]
  Denoising and Nuclear-Norm Wasserstein Adaptation Network (DNAN) の開発 DNANはNWD(Nuclear-norm Wasserstein discrepancy)を採用しており、ドメインアライメントとクラス区別を同時に達成することができる。 包括的実験により、DNANはグラフ分類のための標準UDAベンチマークにおいて最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-29T05:33:07Z)
• Robust Training of Graph Neural Networks via Noise Governance [27.767913371777247]
  グラフニューラルネットワーク(GNN)は、半教師付き学習のモデルとして広く使われている。 本稿では,グラフノード上のラベルがうるさいだけでなく,難易度も低い重要なシナリオについて考察する。 本稿では,ラベルノイズを明示的に制御する学習により,ロバスト性を向上する新しいRTGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-12T09:25:32Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• Unified Robust Training for Graph NeuralNetworks against Label Noise [12.014301020294154]
  半監督設定でノイズの多いラベルをグラフ上で学習するための新しいフレームワークである UnionNET を提案します。 提案手法は,GNNを頑健に訓練し,ラベル修正を同時に行うための統一的なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-03-05T01:17:04Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。