論文の概要: Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift

• arxiv url: http://arxiv.org/abs/2512.00716v1
• Date: Sun, 30 Nov 2025 03:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.37941
• Title: Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift
• Title（参考訳）: 共変量分布シフトのコントラスト学習によるグラフデータ拡張
• Authors: Fanlong Zeng, Wensheng Gan,
• Abstract要約: コントラスト学習を用いたより強力な適応不変量拡張のためのMPAIACLを提案する。 MPAIACLは、本質的な情報を活用することにより、対照的な学習を活用してベクトル表現の完全なポテンシャルを解き放つ。 MPAIACLはその堅牢な一般化と有効性を示し、他のベースラインとよく比較できる。
• 参考スコア（独自算出の注目度）: 8.379286663107846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Covariate distribution shift occurs when certain structural features present in the test set are absent from the training set. It is a common type of out-of-distribution (OOD) problem, frequently encountered in real-world graph data with complex structures. Existing research has revealed that most out-of-the-box graph neural networks (GNNs) fail to account for covariate shifts. Furthermore, we observe that existing methods aimed at addressing covariate shifts often fail to fully leverage the rich information contained within the latent space. Motivated by the potential of the latent space, we introduce a new method called MPAIACL for More Powerful Adversarial Invariant Augmentation using Contrastive Learning. MPAIACL leverages contrastive learning to unlock the full potential of vector representations by harnessing their intrinsic information. Through extensive experiments, MPAIACL demonstrates its robust generalization and effectiveness, as it performs well compared with other baselines across various public OOD datasets. The code is publicly available at https://github.com/flzeng1/MPAIACL.
• Abstract（参考訳）: 共変量分布シフトは、テストセットに存在する特定の構造的特徴がトレーニングセットから欠落している場合に発生する。 これは、複雑な構造を持つ実世界のグラフデータで頻繁に発生する、共通タイプのアウト・オブ・ディストリビューション(OOD)問題である。 既存の研究によると、ほとんどのアウト・オブ・ザ・ボックスグラフニューラルネットワーク(GNN)は共変量シフトを考慮できない。 さらに,共変量シフトに対処する既存の手法では,潜在空間に含まれる豊富な情報を十分に活用できない場合が多い。 潜在空間の可能性に触発されて、コントラスト学習を用いたより強力な逆数不変拡張のためのMPAIACLと呼ばれる新しい手法を導入する。 MPAIACLは、本質的な情報を活用することにより、対照的な学習を活用してベクトル表現の可能性を最大限に解き放つ。 広範な実験を通じて、MPAIACLはその堅牢な一般化と有効性を示し、様々な公開OODデータセットの他のベースラインとよく比較できる。 コードはhttps://github.com/flzeng1/MPAIACLで公開されている。

関連論文リスト

• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• Empowering Graph Invariance Learning with Deep Spurious Infomax [27.53568333416706]
  本稿では,頑健かつ一般的な帰納バイアスを誘発する新しいグラフ不変性学習パラダイムを提案する。 EQuADは、合成データセットにおける様々なバイアスの度合いにまたがって安定したパフォーマンスを示し、実世界のデータセットに最大311.76%の価格で挑戦する。
  論文  参考訳（メタデータ） (2024-07-13T14:18:47Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Distribution-Informed Adaptation for kNN Graph Construction [11.63039933401604]
  本稿では,適応kNNと分散対応グラフの構成を組み合わせた分散インフォームド適応kNNグラフ(DaNNG)を提案する。 DaNNGはあいまいなサンプルの性能を大幅に改善し、全体的な精度と一般化能力を向上させる。
  論文  参考訳（メタデータ） (2023-08-04T16:14:43Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Gated Information Bottleneck for Generalization in Sequential Environments [13.795129636387623]
  深層ニューラルネットワークは、基礎となるデータ分布がトレーニングセットのそれと異なる場合、一般化が悪く、目に見えない環境に苦しむ。 ゲート情報ボトルネック(GIB)と呼ばれるニューラルネットワークに基づく新しいISBアプローチを提案する。 我々は、敵対的ロバスト性およびアウト・オブ・ディストリビューション検出において、他の一般的なニューラルネットワークベースのIBアプローチよりもGIBの方が優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-12T14:58:38Z)

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。