論文の概要: Structure-Attribute Transformations with Markov Chain Boost Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2509.21059v1
• Date: Thu, 25 Sep 2025 12:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.891676
• Title: Structure-Attribute Transformations with Markov Chain Boost Graph Domain Adaptation
• Title（参考訳）: Markov Chain Boost Graph Domain Adaptationによる構造属性変換
• Authors: Zhen Liu, Yongtao Zhang, Shaobo Ren, Yuxin You,
• Abstract要約: グラフ領域適応のための新しいフレームワークとして,Markov Chain (SATMC) を用いた構造属性変換を提案する。 SATMCは、グラフ構造と属性変換の両方を通して、ネットワーク間の分布を逐次整列する。 9組のパブリックなクロスドメインデータセットの実験により、SATMCはクロスネットワークノード分類タスクにおいて最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.8020229935660583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph domain adaptation has gained significant attention in label-scarce scenarios across different graph domains. Traditional approaches to graph domain adaptation primarily focus on transforming node attributes over raw graph structures and aligning the distributions of the transformed node features across networks. However, these methods often struggle with the underlying structural heterogeneity between distinct graph domains, which leads to suboptimal distribution alignment. To address this limitation, we propose Structure-Attribute Transformation with Markov Chain (SATMC), a novel framework that sequentially aligns distributions across networks via both graph structure and attribute transformations. To mitigate the negative influence of domain-private information and further enhance the model's generalization, SATMC introduces a private domain information reduction mechanism and an empirical Wasserstein distance. Theoretical proofs suggest that SATMC can achieve a tighter error bound for cross-network node classification compared to existing graph domain adaptation methods. Extensive experiments on nine pairs of publicly available cross-domain datasets show that SATMC outperforms state-of-the-art methods in the cross-network node classification task. The code is available at https://github.com/GiantZhangYT/SATMC.
• Abstract（参考訳）: グラフドメイン適応は、異なるグラフドメインにわたるラベルスカースシナリオにおいて大きな注目を集めている。 グラフ領域適応に対する従来のアプローチは主に、生グラフ構造上のノード属性の変換と、ネットワーク間で変換されたノード機能の分布の整合性に焦点を当てていた。 しかしながら、これらの手法は、異なるグラフ領域間の構造的不均一性に苦しむことが多く、最適下分布アライメントをもたらす。 この制限に対処するために、グラフ構造と属性変換の両方を通してネットワーク間の分散を逐次整列する新しいフレームワークであるMarkov Chain (SATMC) を用いた構造属性変換を提案する。 ドメインプライベート情報の負の影響を緩和し、モデルの一般化をさらに促進するため、SATMCはプライベートドメイン情報低減機構と経験的ワッサースタイン距離を導入している。 理論的な証明は、SATMCが既存のグラフ領域適応法と比較して、クロスネットワークノード分類のための厳密なエラー境界を達成できることを示唆している。 9組のパブリックなクロスドメインデータセットに対する大規模な実験は、SATMCがクロスネットワークノード分類タスクにおいて最先端の手法より優れていることを示している。 コードはhttps://github.com/GiantZhangYT/SATMCで公開されている。

関連論文リスト

• Bridging Source and Target Domains via Link Prediction for Unsupervised Domain Adaptation on Graphs [26.856865172357168]
  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。
  論文  参考訳（メタデータ） (2025-05-29T22:54:40Z)
• Graph Augmentation for Cross Graph Domain Generalization [3.720090825847922]
  グラフニューラルネットワーク(GNN)の領域一般化問題としてのクロスグラフノード分類 クロスグラフ領域一般化問題に対する新しいグラフ構造拡張法を開発した。
  論文  参考訳（メタデータ） (2025-02-25T13:27:48Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Multi-label Image Classification using Adaptive Graph Convolutional Networks: from a Single Domain to Multiple Domains [8.02139126500224]
  本稿では,マルチラベル画像分類のための適応的なグラフベースアプローチを提案する。 注意に基づくメカニズムと類似性保存戦略を統合することで実現される。 提案するフレームワークは,複数のドメインに拡張し,対戦型トレーニングスキームを用いて拡張する。
  論文  参考訳（メタデータ） (2023-01-11T14:42:47Z)
• 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。