論文の概要: Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2602.10489v1
• Date: Wed, 11 Feb 2026 03:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.439676
• Title: Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation
• Title（参考訳）: グラフ領域適応のためのニューラルネットワーク特性関数を用いた適応分布アライメントの学習
• Authors: Wei Chen, Xingyu Guo, Shuang Li, Zhao Zhang, Yan Zhong, Fuzhen Zhuang, Deqing 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。 既存の手法は、手動で選択したグラフ要素をアライメントすることで、分布シフトを減らそうとしている。 GDAのための適応分布アライメントフレームワークである textbfADAlign を提案する。
• 参考スコア（独自算出の注目度）: 33.32495506456439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) transfers knowledge from labeled source graphs to unlabeled target graphs but is challenged by complex, multi-faceted distributional shifts. Existing methods attempt to reduce distributional shifts by aligning manually selected graph elements (e.g., node attributes or structural statistics), which typically require manually designed graph filters to extract relevant features before alignment. However, such approaches are inflexible: they rely on scenario-specific heuristics, and struggle when dominant discrepancies vary across transfer scenarios. To address these limitations, we propose \textbf{ADAlign}, an Adaptive Distribution Alignment framework for GDA. Unlike heuristic methods, ADAlign requires no manual specification of alignment criteria. It automatically identifies the most relevant discrepancies in each transfer and aligns them jointly, capturing the interplay between attributes, structures, and their dependencies. This makes ADAlign flexible, scenario-aware, and robust to diverse and dynamically evolving shifts. To enable this adaptivity, we introduce the Neural Spectral Discrepancy (NSD), a theoretically principled parametric distance that provides a unified view of cross-graph shifts. NSD leverages neural characteristic function in the spectral domain to encode feature-structure dependencies of all orders, while a learnable frequency sampler adaptively emphasizes the most informative spectral components for each task via minimax paradigm. Extensive experiments on 10 datasets and 16 transfer tasks show that ADAlign not only outperforms state-of-the-art baselines but also achieves efficiency gains with lower memory usage and faster training.
• 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のターゲットグラフに知識を転送するが、複雑で多面的な分散シフトに悩まされる。 既存の方法は、手動で選択したグラフ要素(例えば、ノード属性や構造統計)をアライメントする前に関連する特徴を抽出するために、手動で設計されたグラフフィルタを必要とすることで、分散シフトを減らそうとしている。 しかし、このようなアプローチは柔軟ではなく、シナリオ固有のヒューリスティックに依存しており、移行シナリオ間で優越的な相違が相違する場合に苦労する。 これらの制約に対処するために,GDA の適応分布アライメントフレームワークである \textbf{ADAlign} を提案する。 ヒューリスティックな方法とは異なり、ADAlignはアライメント基準のマニュアル仕様を必要としない。 各転送において最も関連性の高い不一致を自動的に識別し、それらを共同で調整し、属性、構造、およびそれらの依存関係間の相互作用をキャプチャする。 これによりADAlignはフレキシブルでシナリオ対応で、多様で動的に進化するシフトに対して堅牢になります。 この適応性を実現するために、理論的に原理化されたパラメトリック距離であるニューラルスペクトル離散性(NSD)を導入し、クロスグラフシフトの統一的なビューを提供する。 NSDはスペクトル領域の神経特性関数を利用して全順序の特徴構造依存性を符号化し、学習可能な周波数サンプリング器はミニマックスパラダイムを介して各タスクの最も情報性の高いスペクトル成分を適応的に強調する。 10のデータセットと16の転送タスクに関する大規模な実験によると、ADAlignは最先端のベースラインを上回るだけでなく、メモリ使用率の低下とトレーニングの高速化によって効率の向上も達成している。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Pairwise Alignment Improves Graph Domain Adaptation [16.626928606474173]
  この研究は、グラフデータ上の分散シフトのユニークな複雑さに対処するために、グラフドメイン適応(GDA)に注力する。 本稿では,グラフ構造変化に対応する新しい理論的手法であるペアワイズアライメント(ペアワイズアライメント)を提案する。 提案手法は,ソーシャルネットワークの領域シフトを伴うノード分類を含む実世界のアプリケーションにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T04:31:28Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)

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。