論文の概要: Enhancing Node-Level Graph Domain Adaptation by Alleviating Local Dependency

• arxiv url: http://arxiv.org/abs/2512.13149v1
• Date: Mon, 15 Dec 2025 10:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.615653
• Title: Enhancing Node-Level Graph Domain Adaptation by Alleviating Local Dependency
• Title（参考訳）: 局所依存の軽減によるノードレベルグラフドメイン適応の強化
• Authors: Xinwei Tai, Dongmian Zou, Hongfei Wang,
• Abstract要約: 知識をグラフから別のグラフに効果的に転送することは、依然として重要な課題である。 本稿では,ノード間に局所的な依存関係が存在する場合にのみ条件シフトが観測可能であることを示す。 本稿では,非相関GCN層とグラフトランスフォーマー層によって具体的に実装可能なノード特徴のデコレーションによるGDAの改善を提案する。
• 参考スコア（独自算出の注目度）: 8.229138664380324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed significant advancements in machine learning methods on graphs. However, transferring knowledge effectively from one graph to another remains a critical challenge. This highlights the need for algorithms capable of applying information extracted from a source graph to an unlabeled target graph, a task known as unsupervised graph domain adaptation (GDA). One key difficulty in unsupervised GDA is conditional shift, which hinders transferability. In this paper, we show that conditional shift can be observed only if there exists local dependencies among node features. To support this claim, we perform a rigorous analysis and also further provide generalization bounds of GDA when dependent node features are modeled using markov chains. Guided by the theoretical findings, we propose to improve GDA by decorrelating node features, which can be specifically implemented through decorrelated GCN layers and graph transformer layers. Our experimental results demonstrate the effectiveness of this approach, showing not only substantial performance enhancements over baseline GDA methods but also clear visualizations of small intra-class distances in the learned representations. Our code is available at https://github.com/TechnologyAiGroup/DFT
• Abstract（参考訳）: 近年、グラフ上での機械学習手法の進歩が目覚ましい。 しかし、あるグラフから別のグラフに効果的に知識を移すことは、依然として重要な課題である。 これは、ソースグラフから抽出された情報を未ラベルのターゲットグラフ(unsupervised graph domain adaptation (GDA)として知られるタスク)に適用できるアルゴリズムの必要性を強調している。 教師なしGDAにおける重要な難しさの1つは条件シフトであり、転送可能性を妨げる。 本稿では,ノード間に局所的な依存関係が存在する場合にのみ条件シフトが観測可能であることを示す。 この主張を支持するために、我々は厳密な解析を行い、また依存ノード特徴がマルコフ連鎖を用いてモデル化された場合、GDAの一般化境界を提供する。 提案手法は,GCN層やグラフトランスフォーマー層を通じて特に実装可能なノード特徴のデコレーションによるGDAの改善を提案する。 実験により,本手法の有効性を実証し,ベースラインGDA法による性能向上だけでなく,学習表現におけるクラス内距離の可視化も行った。 私たちのコードはhttps://github.com/TechnologyAiGroup/DFTで利用可能です。

関連論文リスト

• Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation [31.106636947179005]
  教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation)は、ラベル豊富な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を含む。 GDABenchと呼ばれる教師なしグラフ領域適応のための最初の包括的なベンチマークを示す。 我々は、現在のUGDAモデルの性能がデータセットや適応シナリオによって大きく異なることを観察する。
  論文  参考訳（メタデータ） (2024-07-09T06:44:09Z)
• GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
  グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。 グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
  論文  参考訳（メタデータ） (2024-02-11T12:57:16Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• 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)

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。