論文の概要: Graph Domain Adaptation via Homophily-Agnostic Reconstructing Structure

• arxiv url: http://arxiv.org/abs/2602.07573v1
• Date: Sat, 07 Feb 2026 14:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.702936
• Title: Graph Domain Adaptation via Homophily-Agnostic Reconstructing Structure
• Title（参考訳）: ホモフィリー非依存的再構成構造によるグラフ領域適応
• Authors: Ruiyi Fang, Shuo Wang, Ruizhi Pu, Qiuhao Zeng, Hao Zheng, Ziyan Wang, Jiale Cai, Zhimin Mei, Song Tang, Charles Ling, Boyu Wang,
• Abstract要約: Graph Domain Adaptation (GDA)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に知識を転送する。 本稿では, グラフ間の知識を, 様々な次数で効果的に伝達する新しいホモフィズ・アグノスティック・アプローチを提案する。
• 参考スコア（独自算出の注目度）: 37.365629880774954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) transfers knowledge from labeled source graphs to unlabeled target graphs, addressing the challenge of label scarcity. However, existing GDA methods typically assume that both source and target graphs exhibit homophily, leading existing methods to perform poorly when heterophily is present. Furthermore, the lack of labels in the target graph makes it impossible to assess its homophily level beforehand. To address this challenge, we propose a novel homophily-agnostic approach that effectively transfers knowledge between graphs with varying degrees of homophily. Specifically, we adopt a divide-and-conquer strategy that first separately reconstructs highly homophilic and heterophilic variants of both the source and target graphs, and then performs knowledge alignment separately between corresponding graph variants. Extensive experiments conducted on five benchmark datasets demonstrate the superior performance of our approach, particularly highlighting its substantial advantages on heterophilic graphs.
• Abstract（参考訳）: Graph Domain Adaptation (GDA)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に知識を転送する。 しかし、既存のGDA法は、典型的には、ソースグラフとターゲットグラフの両方がホモフィリーであると仮定し、ヘテロフィリーが存在する場合、既存の手法は性能が悪くなる。 さらに、対象グラフにラベルがないため、そのホモフィリーレベルを事前に評価することは不可能である。 この課題に対処するために、様々な次数を持つグラフ間の知識を効果的に伝達する、新しいホモフィズ非依存アプローチを提案する。 具体的には、まず、まずソースグラフとターゲットグラフの両方の高度にホモ親和性とヘテロ親和性のある変種を分離的に再構成し、その後、対応するグラフ変種を別々に知識アライメントする分割・コンカ戦略を採用する。 5つのベンチマークデータセットで実施された大規模な実験は、我々のアプローチの優れた性能を示し、特にヘテロ親和性グラフにおけるその顕著な優位性を強調している。

関連論文リスト

• Graph homophily booster: Reimagining the role of discrete features in heterophilic graph learning [50.99881402425112]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデリングするための強力なツールとして登場した。 既存のGNNは、接続ノードが異なる特徴やラベルを持つ傾向がある異種グラフとしばしば苦労する。 我々は、グラフ変換を慎重に設計し、グラフをホモフィリーに拡張する、新しい、未探索のパラダイムを提示する。
  論文  参考訳（メタデータ） (2026-02-06T23:14:10Z)
• Graph Homophily Booster: Rethinking the Role of Discrete Features on Heterophilic Graphs [50.99881402425112]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデリングするための強力なツールとして登場した。 既存のGNNは、接続ノードが異なる特徴やラベルを持つ傾向がある異種グラフとしばしば苦労する。 我々は、グラフ変換を慎重に設計し、グラフをホモフィリーに拡張する、新しい、未探索のパラダイムを提示する。
  論文  参考訳（メタデータ） (2025-09-16T00:10:20Z)
• Homophily Enhanced Graph Domain Adaptation [7.904644507766448]
  Graph Domain Adaptation (GDA)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に知識を転送する。 本稿では,グラフ領域アライメントの重要な要素であるグラフホモフィリーの重要性を強調する。 グラフ信号の滑らか化に混合フィルタを用いる新しいホモフィリアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-26T15:02:08Z)
• Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
  本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。 具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-12-20T02:49:32Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)

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。