論文の概要: Towards Unsupervised Open-Set Graph Domain Adaptation via Dual Reprogramming

• arxiv url: http://arxiv.org/abs/2510.18363v1
• Date: Tue, 21 Oct 2025 07:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.132545
• Title: Towards Unsupervised Open-Set Graph Domain Adaptation via Dual Reprogramming
• Title（参考訳）: デュアルプログラミングによる教師なしオープンセットグラフドメイン適応の実現に向けて
• Authors: Zhen Zhang, Bingsheng He,
• Abstract要約: 教師なしオープンセットグラフ領域適応の問題について検討する。 本稿では,グラフとモデルの両方で再プログラミングを行うGraphRTAという新しいフレームワークを提案する。 提案手法は,最近の最先端のベースラインと比較して,満足度の高い性能を実現することができる。
• 参考スコア（独自算出の注目度）: 38.28291648575204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Graph Domain Adaptation has become a promising paradigm for transferring knowledge from a fully labeled source graph to an unlabeled target graph. Existing graph domain adaptation models primarily focus on the closed-set setting, where the source and target domains share the same label spaces. However, this assumption might not be practical in the real-world scenarios, as the target domain might include classes that are not present in the source domain. In this paper, we investigate the problem of unsupervised open-set graph domain adaptation, where the goal is to not only correctly classify target nodes into the known classes, but also recognize previously unseen node types into the unknown class. Towards this end, we propose a novel framework called GraphRTA, which conducts reprogramming on both the graph and model sides. Specifically, we reprogram the graph by modifying target graph structure and node features, which facilitates better separation of known and unknown classes. Meanwhile, we also perform model reprogramming by pruning domain-specific parameters to reduce bias towards the source graph while preserving parameters that capture transferable patterns across graphs. Additionally, we extend the classifier with an extra dimension for the unknown class, thus eliminating the need of manually specified threshold in open-set recognition. Comprehensive experiments on several public datasets demonstrate that our proposed model can achieve satisfied performance compared with recent state-of-the-art baselines. Our source codes and datasets are publicly available at https://github.com/cszhangzhen/GraphRTA.
• Abstract（参考訳）: 教師なしグラフドメイン適応は、完全にラベル付けされたソースグラフからラベル付けされていないターゲットグラフへ知識を転送するための有望なパラダイムとなっている。 既存のグラフ領域適応モデルは、ソースとターゲットドメインが同じラベル空間を共有するクローズドセット設定に重点を置いている。 しかし、この仮定は現実のシナリオでは実用的ではなく、ターゲットドメインにはソースドメインに存在しないクラスが含まれるかもしれない。 本稿では,対象ノードを未知のクラスに正しく分類するだけでなく,未確認のノードタイプを未知のクラスに認識するという,教師なしオープンセットグラフ領域適応の問題について検討する。 この目的のために,グラフとモデルの両方で再プログラミングを行うGraphRTAという新しいフレームワークを提案する。 具体的には、対象のグラフ構造とノードの特徴を変更してグラフを書き換え、未知のクラスと未知のクラスを分離しやすくする。 また、ドメイン固有のパラメータをプルーニングすることでモデル再プログラミングを行い、ソースグラフに対するバイアスを低減し、グラフ間の転送可能なパターンをキャプチャするパラメータを保存する。 さらに、未知のクラスに対して余分な次元で分類器を拡張し、オープンセット認識において手動で指定された閾値を不要にする。 いくつかの公開データセットに対する総合的な実験により、我々の提案したモデルは、最近の最先端のベースラインと比較して、満足度の高い性能を達成できることを示した。 ソースコードとデータセットはhttps://github.com/cszhangzhen/GraphRTA.comで公開されています。

関連論文リスト

• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• Aggregate to Adapt: Node-Centric Aggregation for Multi-Source-Free Graph Domain Adaptation [29.723258309895655]
  教師なしグラフ領域適応(UGDA)は、ラベル付きソースグラフからラベルなしターゲットグラフへの知識の転送に焦点を当てている。 本稿では,ノードの粒度に適応するGraphATAという新しいモデルを提案する。 また、モデル中心の手法と層中心の手法の両方に一般化するGraphATAの能力を実証する。
  論文  参考訳（メタデータ） (2025-02-05T09:41:32Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• 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。