論文の概要: Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2602.10506v1
• Date: Wed, 11 Feb 2026 04:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.45845
• Title: Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation
• Title（参考訳）: グラフ領域適応のための構造・意味進化軌道の学習
• Authors: Wei Chen, Xingyu Guo, Shuang Li, Yan Zhong, Zhao Zhang, Fuzhen Zhuang, Hongrui Liu, Libang Zhang, Guo Ye, Huimei He,
• Abstract要約: Graph Domain Adaptationは、よくラベルされたソースグラフから与えられた未ラベルのターゲットグラフに知識を移すことによって、ドメイン間の分散シフトをブリッジすることを目的としている。 ある有望なアプローチは、典型的には中間グラフや段階的なアライメント手順の構築を通じて、適応過程を離散化することでグラフ転送に対処する。 ドメイン適応プロセスを連続時間生成プロセスとしてモデル化する,連続時間生成プロセスである textbfDiffGDA を提案する。
• 参考スコア（独自算出の注目度）: 30.83176170397593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) aims to bridge distribution shifts between domains by transferring knowledge from well-labeled source graphs to given unlabeled target graphs. One promising recent approach addresses graph transfer by discretizing the adaptation process, typically through the construction of intermediate graphs or stepwise alignment procedures. However, such discrete strategies often fail in real-world scenarios, where graph structures evolve continuously and nonlinearly, making it difficult for fixed-step alignment to approximate the actual transformation process. To address these limitations, we propose \textbf{DiffGDA}, a \textbf{Diff}usion-based \textbf{GDA} method that models the domain adaptation process as a continuous-time generative process. We formulate the evolution from source to target graphs using stochastic differential equations (SDEs), enabling the joint modeling of structural and semantic transitions. To guide this evolution, a domain-aware network is introduced to steer the generative process toward the target domain, encouraging the diffusion trajectory to follow an optimal adaptation path. We theoretically show that the diffusion process converges to the optimal solution bridging the source and target domains in the latent space. Extensive experiments on 14 graph transfer tasks across 8 real-world datasets demonstrate DiffGDA consistently outperforms state-of-the-art baselines.
• Abstract（参考訳）: Graph Domain Adaptation (GDA)は、よくラベルされたソースグラフから与えられた未ラベルのターゲットグラフに知識を移すことによって、ドメイン間の分散シフトをブリッジすることを目的としている。 最近の有望なアプローチの1つは、中間グラフや段階的なアライメント手順の構築を通じて、適応過程を離散化することでグラフ転送に対処する。 しかし、このような離散的な戦略は、グラフ構造が連続的に非線形に進化する現実世界のシナリオでは失敗し、実際の変換過程を近似する固定ステップアライメントが困難になる。 これらの制約に対処するために、ドメイン適応プロセスを連続時間生成プロセスとしてモデル化する、 \textbf{DiffGDA} 法である \textbf{Diff}usion-based \textbf{GDA} 法を提案する。 我々は、確率微分方程式(SDE)を用いて、ソースからターゲットグラフへの進化を定式化し、構造的および意味的遷移の合同モデリングを可能にする。 この進化を導くために、ドメイン認識ネットワークを導入し、生成過程を目標領域に向けて操り、拡散軌道を最適な適応経路に従うように促す。 理論的には、拡散過程は、遅延空間のソース領域とターゲット領域をブリッジする最適解に収束することを示す。 8つの実世界のデータセットにわたる14のグラフ転送タスクに関する大規模な実験は、DiffGDAが一貫して最先端のベースラインを上回っていることを示している。

関連論文リスト

• Graph Data Selection for Domain Adaptation: A Model-Free Approach [54.27731120381295]
  グラフドメイン適応(GDA)は、グラフ機械学習の基本的なタスクである。 本稿では,対象ドメインの分類タスクに対して,ソースドメインから最高のトレーニングデータを選択する新しいモデルフリーフレームワークであるGRADATEを提案する。 GRADATEは既存の選択法よりも優れており、トレーニングデータが少なく、市販のGDA法を向上する。
  論文  参考訳（メタデータ） (2025-05-22T21:18:39Z)
• GCAL: Adapting Graph Models to Evolving Domain Shifts [24.035518818536445]
  本稿では,様々なグラフ領域におけるモデル持続可能性と適応性を高めるために,GCAL法を提案する。 アダプティブ"フェーズは、過去の記憶を忘れないように再アダプティブしながら、新しいグラフドメインでモデルを微調整する情報アプローチを使用する。 情報ボトルネック理論から導かれる理論的な下界によって導かれる「生成メモリ」フェーズは、元のグラフをメモリに凝縮させる変分記憶グラフ生成モジュールを含む。
  論文  参考訳（メタデータ） (2025-05-22T16:19:19Z)
• Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics [59.07903030446756]
  グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。 非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。 ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
  論文  参考訳（メタデータ） (2025-05-19T05:03:58Z)
• Gradual Domain Adaptation for Graph Learning [15.648578809740414]
  本稿では,適応時の情報損失を最小限に抑えるコンパクトなドメインシーケンスを構成するグラフ段階的ドメイン適応(GGDA)フレームワークを提案する。 我々のフレームワークは、拡張可能なドメイン間ワッサースタイン距離($W_p(mu_t,mu_t+1)$)に対して実装可能な上界と下界を提供し、最適なドメイン形成のための柔軟な調整を可能にする。
  論文  参考訳（メタデータ） (2025-01-29T06:48:59Z)
• DiffGraph: Heterogeneous Graph Diffusion Model [16.65576765238224]
  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モデリングに革命をもたらしたが、従来のGNNは、現実のシナリオで一般的な複雑な異種構造に苦戦している。 異種グラフ拡散モデル(DiffGraph)は,革新的なクロスビュー・デノベーション・ストラテジーを導入した先駆的なフレームワークである。 中心となるDiffGraphは、高度な遅延不均一グラフ拡散機構を備え、優れたノイズ管理のための新しい前方および後方拡散プロセスを実装している。
  論文  参考訳（メタデータ） (2025-01-04T15:30:48Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。