論文の概要: Rethinking Graph Domain Adaptation: A Spectral Contrastive Perspective

• arxiv url: http://arxiv.org/abs/2510.13254v1
• Date: Wed, 15 Oct 2025 08:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.558164
• Title: Rethinking Graph Domain Adaptation: A Spectral Contrastive Perspective
• Title（参考訳）: グラフドメイン適応を再考する - スペクトルコントラストの視点から
• Authors: Haoyu Zhang, Yuxuan Cheng, Wenqi Fan, Yulong Chen, Yifan Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、様々な領域で顕著な成功を収めているが、ドメイン適応に苦慮することが多い。 本稿では、FracNetを用いて、元のグラフを高周波および低周波成分に分解し、周波数対応ドメイン適応を行う。
• 参考スコア（独自算出の注目度）: 30.75684181076034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have achieved remarkable success in various domains, yet they often struggle with domain adaptation due to significant structural distribution shifts and insufficient exploration of transferable patterns. One of the main reasons behind this is that traditional approaches do not treat global and local patterns discriminatingly so that some local details in the graph may be violated after multi-layer GNN. Our key insight is that domain shifts can be better understood through spectral analysis, where low-frequency components often encode domain-invariant global patterns, and high-frequency components capture domain-specific local details. As such, we propose FracNet (\underline{\textbf{Fr}}equency \underline{\textbf{A}}ware \underline{\textbf{C}}ontrastive Graph \underline{\textbf{Net}}work) with two synergic modules to decompose the original graph into high-frequency and low-frequency components and perform frequency-aware domain adaption. Moreover, the blurring boundary problem of domain adaptation is improved by integrating with a contrastive learning framework. Besides the practical implication, we also provide rigorous theoretical proof to demonstrate the superiority of FracNet. Extensive experiments further demonstrate significant improvements over state-of-the-art approaches.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々な領域で顕著な成功を収めているが、大きな構造分布シフトと転送可能なパターンの探索が不十分なため、しばしばドメイン適応に苦慮している。 この背景にある主な理由の1つは、従来のアプローチがグローバルパターンとローカルパターンを差別的に扱わないため、グラフ内のいくつかの局所的な詳細が多層GNNの後に破られる可能性があることである。 私たちの重要な洞察は、低周波成分がしばしばドメイン不変グローバルパターンを符号化し、高周波成分がドメイン固有の局所的な詳細をキャプチャするスペクトル分析によって、ドメインシフトをよりよく理解できるということです。 そこで我々は、FracNet (\underline{\textbf{Fr}}equency \underline{\textbf{A}}ware \underline{\textbf{C}}ontrastive Graph \underline{\textbf{Net}}work) を2つの相乗的モジュールで提案し、元のグラフを高周波および低周波成分に分解し、周波数対応ドメイン適応を行う。 さらに、対照的な学習フレームワークとの統合により、ドメイン適応のぼやけた境界問題を改善する。 また,FracNetの優位性を示すための厳密な理論的証明も提供する。 大規模な実験により、最先端のアプローチよりも大幅に改善された。

関連論文リスト

• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• 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)
• Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis [24.85752780864944]
  本稿では,FARNetというFourierベースのAugmentation Restruction Networkを提案する。 本発明のネットワークは、振幅スペクトルサブネットワークと位相スペクトルサブネットワークとから構成され、ソースドメインとターゲットドメインとの相違を順次低減する。 モデル出力の決定境界を従来の三重項損失と比較して洗練するために,一般化に寄与する多様体三重項損失を提案する。
  論文  参考訳（メタデータ） (2025-02-01T20:23:03Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• SPA: A Graph Spectral Alignment Perspective for Domain Adaptation [41.89873161315133]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、データ分布が異なる特定のターゲットドメインにドメインモデルを拡張するための機械学習における重要な形式である。 それまでのほとんどの研究はドメイン間の転送可能性の獲得に重点を置いていたが、ドメイン内のリッチな構造を見落としている。 トレードオフに対処するための新しいグラフスペクトラルアライメント(SPA)フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-10-26T17:13:48Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• 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。