論文の概要: Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration

• arxiv url: http://arxiv.org/abs/2510.12140v1
• Date: Tue, 14 Oct 2025 04:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.971682
• Title: Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration
• Title（参考訳）: 適応スペクトルエキスパートとクロスセット分布校正によるグラフFew-Shot学習
• Authors: Yonghao Liu, Yajun Wang, Chunli Guo, Wei Pang, Ximing Li, Fausto Giunchiglia, Xiaoyue Feng, Renchu Guan,
• Abstract要約: グラフによる数ショット学習は、ラベル付きノードに制限のある新しいタスクにモデルを迅速に適応できる能力によって、注目を集めている。 本稿では,アダプティブスペクトルの専門家とクロスセット分布キャリブレーション技術を統合した新しいグラフ数ショット LeRning フレームワーク GRACE を提案する。
• 参考スコア（独自算出の注目度）: 28.335765586298347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph few-shot learning has attracted increasing attention due to its ability to rapidly adapt models to new tasks with only limited labeled nodes. Despite the remarkable progress made by existing graph few-shot learning methods, several key limitations remain. First, most current approaches rely on predefined and unified graph filters (e.g., low-pass or high-pass filters) to globally enhance or suppress node frequency signals. Such fixed spectral operations fail to account for the heterogeneity of local topological structures inherent in real-world graphs. Moreover, these methods often assume that the support and query sets are drawn from the same distribution. However, under few-shot conditions, the limited labeled data in the support set may not sufficiently capture the complex distribution of the query set, leading to suboptimal generalization. To address these challenges, we propose GRACE, a novel Graph few-shot leaRning framework that integrates Adaptive spectrum experts with Cross-sEt distribution calibration techniques. Theoretically, the proposed approach enhances model generalization by adapting to both local structural variations and cross-set distribution calibration. Empirically, GRACE consistently outperforms state-of-the-art baselines across a wide range of experimental settings. Our code can be found here.
• Abstract（参考訳）: グラフによる数ショット学習は、ラベル付きノードに制限のある新しいタスクにモデルを迅速に適応できる能力によって、注目を集めている。 既存のグラフによる数ショットの学習方法による顕著な進歩にもかかわらず、いくつかの重要な制限が残っている。 第一に、現在のほとんどのアプローチは、ノード周波数信号のグローバルな拡張や抑制のために、事前定義された、統一されたグラフフィルタ(例えば、低域通過フィルタ、高域通過フィルタ)に依存している。 このような固定スペクトル演算は、実世界のグラフに固有の局所位相構造の不均一性を考慮することに失敗する。 さらに、これらの手法は、サポートセットとクエリセットが同一のディストリビューションから引き出されると仮定することが多い。 しかし、少数の条件下では、サポートセット内の制限付きラベル付きデータは、クエリセットの複雑な分布を十分に捉えていないため、準最適一般化に繋がる可能性がある。 これらの課題に対処するため、我々は、適応スペクトルの専門家とクロスセット分布校正技術を統合する新しいグラフ数ショットのleaRningフレームワークであるGRACEを提案する。 理論的には、提案手法は局所的な構造変化とクロスセット分布キャリブレーションの両方に適応することでモデル一般化を強化する。 実験的に、GRACEは、幅広い実験環境において、最先端のベースラインを一貫して上回っている。 私たちのコードはここにある。

関連論文リスト

• SPA++: Generalized Graph Spectral Alignment for Versatile Domain Adaptation [19.755321056121204]
  ドメイン適応(Domain Adaptation)は、ラベル付きソースドメインから、未ラベルまたは疎ラベルのターゲットドメインに、ドメインシフトの下で知識を転送することを目的としている。 このトレードオフに対処するために,グラフスペクトラルアライメントフレームワークであるSPA++を提案する。 ベンチマークデータセットの実験では、SPA++が既存の最先端メソッドを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-08-07T09:18:36Z)
• Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
  ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。 我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:47:13Z)
• Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
  本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。 我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
  論文  参考訳（メタデータ） (2023-11-29T18:02:29Z)
• Generalized Schrödinger Bridge Matching [54.171931505066]
  一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。 我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。 このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:42:11Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution [28.474359021962346]
  スペクトルグラフニューラルネットワーク(GNN)のためのマルチスケールフレームレット畳み込みを提案する。 提案設計は、不要なスペクトル情報をフィルタリングし、ノイズグラフ信号の悪影響を著しく低減する。 ノイズの多いデータや敵攻撃に対する優れたレジリエンスを示しており、現実世界のグラフアプリケーションに対する堅牢なソリューションとしての可能性を強調している。
  論文  参考訳（メタデータ） (2022-01-11T00:10:28Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。