論文の概要: DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2604.03154v1
• Date: Fri, 03 Apr 2026 16:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.531851
• Title: DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation
• Title（参考訳）: DSBD:グラフ領域適応のための二重配位構造塩基蒸留
• Authors: Yingxu Wang, Kunyu Zhang, Jiaxin Huang, Mengzhu Wang, Mingyan Xiao, Siyang Gao, Nan Yin,
• Abstract要約: グラフドメイン適応(GDA)は、分散シフトの下で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ことを目的としている。 既存の手法は、主に特徴中心であり、構造的な相違を見落としており、大きなトポロジーシフトの下では特に有害となる。 本稿では,ドメイン間構造変化を明示的にモデル化し適応する新しいフレームワークであるGDAのためのDual-Aligned Structure Basis Distillation (DSBD)を提案する。
• 参考スコア（独自算出の注目度）: 28.666612808886736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph domain adaptation (GDA) aims to transfer knowledge from a labeled source graph to an unlabeled target graph under distribution shifts. However, existing methods are largely feature-centric and overlook structural discrepancies, which become particularly detrimental under significant topology shifts. Such discrepancies alter both geometric relationships and spectral properties, leading to unreliable transfer of graph neural networks (GNNs). To address this limitation, we propose Dual-Aligned Structural Basis Distillation (DSBD) for GDA, a novel framework that explicitly models and adapts cross-domain structural variation. DSBD constructs a differentiable structural basis by synthesizing continuous probabilistic prototype graphs, enabling gradient-based optimization over graph topology. The basis is learned under source-domain supervision to preserve semantic discriminability, while being explicitly aligned to the target domain through a dual-alignment objective. Specifically, geometric consistency is enforced via permutation-invariant topological moment matching, and spectral consistency is achieved through Dirichlet energy calibration, jointly capturing structural characteristics across domains. Furthermore, we introduce a decoupled inference paradigm that mitigates source-specific structural bias by training a new GNN on the distilled structural basis. Extensive experiments on graph and image benchmarks demonstrate that DSBD consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: グラフドメイン適応(GDA)は、分散シフトの下で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ことを目的としている。 しかし、既存の手法は、主に特徴中心であり、構造的な相違を見落としている。 このような不一致は幾何学的関係とスペクトル特性の両方を変え、グラフニューラルネットワーク(GNN)の信頼できない転送につながる。 この制限に対処するため、我々は、ドメイン間構造変化を明示的にモデル化し適応する新しいフレームワークであるGDAのための二重配位構造基底蒸留(DSBD)を提案する。 DSBDは連続確率的プロトタイプグラフを合成して微分可能な構造基底を構築し、グラフトポロジーの勾配に基づく最適化を可能にする。 この基礎は、ソースドメインの監督の下で学習され、セマンティックな識別性を保ちながら、デュアルアライメントの目的を通じてターゲットドメインに明示的に整合している。 具体的には、幾何学的整合性は置換不変な位相モーメントマッチングによって実施され、スペクトル的整合性はディリクレエネルギーキャリブレーションによって達成され、領域間の構造的特性を共同で捉える。 さらに, 蒸留された構造に基づいて新しいGNNを訓練することにより, ソース固有の構造バイアスを軽減する脱結合推論パラダイムを導入する。 グラフと画像のベンチマークに関する大規模な実験は、DSBDが最先端の手法を一貫して上回っていることを示している。

関連論文リスト

• A Theory of Random Graph Shift in Truncated-Spectrum vRKHS [26.195791008324495]
  本稿では,ランダムグラフ生成レンズによる領域シフトの下でのグラフ分類の理論を開発する。 我々は、同じランダムグラフモデル(RGM)を共有するクラス内グラフと、RGM成分の変化によって引き起こされる領域シフトについて考察する。
  論文  参考訳（メタデータ） (2026-02-27T10:19:57Z)
• Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication [31.43539830271355]
  本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-09-11T16:36:16Z)
• Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
  グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。 本稿では,構造的多様性に基づくパラメータフリーグラフニューラルネットワークフレームワークを提案する。 このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
  論文  参考訳（メタデータ） (2025-08-27T13:42:45Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• 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)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。