論文の概要: Back to Author Console Empowering GNNs for Domain Adaptation via Denoising Target Graph

• arxiv url: http://arxiv.org/abs/2512.06236v1
• Date: Sat, 06 Dec 2025 01:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.252473
• Title: Back to Author Console Empowering GNNs for Domain Adaptation via Denoising Target Graph
• Title（参考訳）: Back to Author Console, Denoising Target Graphによるドメイン適応のためのGNNの強化
• Authors: Haiyang Yu, Meng-Chieh Lee, Xiang song, Qi Zhu, Christos Faloutsos,
• Abstract要約: 本稿では,グラフ領域適応の文脈におけるノード分類タスクについて検討する。ソースとターゲットのグラフ構造とソースラベルを併用して,ターゲットグラフ上のグラフニューラルネットワーク(GNN)の一般化能力を向上する。 対象グラフ上でグラフエッジを識別する補助損失関数を単に組み込むことは,対象グラフ上でのGNN性能向上に極めて有効であることがわかった。 ドメイン適応に基づくノード分類のためのGNNトレーニングに,この補助エッジタスクを統合するフレームワークであるGraphDeTを提案する。
• 参考スコア（独自算出の注目度）: 24.1681316493239
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We explore the node classification task in the context of graph domain adaptation, which uses both source and target graph structures along with source labels to enhance the generalization capabilities of Graph Neural Networks (GNNs) on target graphs. Structure domain shifts frequently occur, especially when graph data are collected at different times or from varying areas, resulting in poor performance of GNNs on target graphs. Surprisingly, we find that simply incorporating an auxiliary loss function for denoising graph edges on target graphs can be extremely effective in enhancing GNN performance on target graphs. Based on this insight, we propose our framework, GraphDeT, a framework that integrates this auxiliary edge task into GNN training for node classification under domain adaptation. Our theoretical analysis connects this auxiliary edge task to the graph generalization bound with -distance, demonstrating such auxiliary task can imposes a constraint which tightens the bound and thereby improves generalization. The experimental results demonstrate superior performance compared to the existing baselines in handling both time and regional domain graph shifts.
• Abstract（参考訳）: 本稿では,グラフ領域適応の文脈におけるノード分類タスクについて検討する。ソースとターゲットのグラフ構造とソースラベルを併用して,ターゲットグラフ上のグラフニューラルネットワーク(GNN)の一般化能力を向上する。 構造領域のシフトは頻繁に発生し、特にグラフデータが異なる時間または異なる領域から収集されると、ターゲットグラフ上でのGNNのパフォーマンスが低下する。 驚いたことに、グラフエッジをターゲットグラフにデノナイズするための補助損失関数を単に組み込むことは、ターゲットグラフ上でのGNN性能を向上させるのに極めて効果的である。 この知見に基づき、ドメイン適応に基づくノード分類のためのGNNトレーニングに、この補助エッジタスクを統合するフレームワークであるGraphDeTを提案する。 我々の理論的解析は、この補助エッジタスクを-距離と有界なグラフ一般化に結び付け、そのような補助タスクが境界を締め付け、一般化を改善する制約を課すことを実証する。 実験の結果,時間および地域領域のグラフシフトを扱う場合,既存のベースラインと比較して優れた性能を示した。

関連論文リスト

• Graph Attention for Heterogeneous Graphs with Positional Encoding [0.0]
  グラフニューラルネットワーク(GNN)は、グラフデータモデリングのデファクトスタンダードとして登場した。 この研究は、異種グラフの最も効果的な方法を特定するために、様々なGNNアーキテクチャをベンチマークする。 その結果,これらの作業においてグラフ注意ネットワークが優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-03T18:00:02Z)
• Bridging Domain Adaptation and Graph Neural Networks: A Tensor-Based Framework for Effective Label Propagation [23.79865440689265]
  グラフニューラルネットワーク(GNN)は近年,グラフデータ研究の主要なツールとなっている。 グラフ分類タスクにおける最先端のパフォーマンスにもかかわらず、GNNは監督下の単一のドメインで圧倒的に訓練されている。 本稿では,グラフデータと従来のドメイン適応手法のギャップを埋めるために,ラベル伝搬グラフニューラルネットワーク(LP-TGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-12T15:36:38Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• Rethinking Propagation for Unsupervised Graph Domain Adaptation [17.443218657417454]
  Unlabelled Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフから教師なしターゲットグラフに知識を転送することを目的としている。 本稿では,グラフ領域適応のためのA2GNNというシンプルな手法を提案する。
  論文  参考訳（メタデータ） (2024-02-08T13:24:57Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。