論文の概要: From Noisy to Native: LLM-driven Graph Restoration for Test-Time Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2510.07762v1
• Date: Thu, 09 Oct 2025 04:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.85831
• Title: From Noisy to Native: LLM-driven Graph Restoration for Test-Time Graph Domain Adaptation
• Title（参考訳）: ノイズからネイティブへ:テスト時間グラフドメイン適応のためのLLM駆動グラフ復元
• Authors: Xiangwei Lv, JinLuan Yang, Wang Lin, Jingyuan Chen, Beishui Liao,
• Abstract要約: 本稿では,テスト時間グラフドメイン適応(TT-GDA)を生成グラフ復元問題として再編成する新しいフレームワークを提案する。 グラフ復元の有効性を確保するため,GRAILを提案する。 修復の質をさらに向上するため,特殊アライメントと信頼報酬によって指導される強化学習プロセスを導入する。
• 参考スコア（独自算出の注目度）: 26.131084022911825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph domain adaptation (GDA) has achieved great attention due to its effectiveness in addressing the domain shift between train and test data. A significant bottleneck in existing graph domain adaptation methods is their reliance on source-domain data, which is often unavailable due to privacy or security concerns. This limitation has driven the development of Test-Time Graph Domain Adaptation (TT-GDA), which aims to transfer knowledge without accessing the source examples. Inspired by the generative power of large language models (LLMs), we introduce a novel framework that reframes TT-GDA as a generative graph restoration problem, "restoring the target graph to its pristine, source-domain-like state". There are two key challenges: (1) We need to construct a reasonable graph restoration process and design an effective encoding scheme that an LLM can understand, bridging the modality gap. (2) We need to devise a mechanism to ensure the restored graph acquires the intrinsic features of the source domain, even without access to the source data. To ensure the effectiveness of graph restoration, we propose GRAIL, that restores the target graph into a state that is well-aligned with the source domain. Specifically, we first compress the node representations into compact latent features and then use a graph diffusion process to model the graph restoration process. Then a quantization module encodes the restored features into discrete tokens. Building on this, an LLM is fine-tuned as a generative restorer to transform a "noisy" target graph into a "native" one. To further improve restoration quality, we introduce a reinforcement learning process guided by specialized alignment and confidence rewards. Extensive experiments demonstrate the effectiveness of our approach across various datasets.
• Abstract（参考訳）: グラフドメイン適応(GDA)は、トレインとテストデータ間のドメインシフトに対処する効果により、大きな注目を集めている。 既存のグラフドメイン適応手法の重大なボトルネックは、ソースドメインデータへの依存であり、プライバシやセキュリティ上の懸念からしばしば利用できない。 この制限により、ソースサンプルにアクセスせずに知識を伝達することを目的としたテスト時間グラフドメイン適応(TT-GDA)の開発が進められた。 大規模言語モデル(LLM)の生成力に触発されて,TT-GDAを生成グラフ復元問題として再編成する新たなフレームワークを導入する。 1) 適切なグラフ復元プロセスを構築し, LLM が理解可能な効果的な符号化方式を設計し, モダリティギャップを埋める必要がある。 2)復元されたグラフが、ソースデータにアクセスしなくても、ソースドメインの固有の特徴を確実に取得するためのメカニズムを考案する必要がある。 グラフ復元の有効性を確保するため,GRAILを提案する。 具体的には,まずノード表現をコンパクトな潜在特徴に圧縮し,グラフ拡散過程を用いてグラフ復元過程をモデル化する。 次に、量子化モジュールが復元された特徴を離散トークンにエンコードする。 これに基づいて、LLMは「ノイズ」ターゲットグラフを「ネイティブ」グラフに変換する生成的復元子として微調整される。 修復の質をさらに向上するため,特殊アライメントと信頼報酬によって指導される強化学習プロセスを導入する。 大規模な実験は、様々なデータセットにまたがるアプローチの有効性を実証する。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
  ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。 最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。 本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:32:46Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)

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。