論文の概要: DIB-OD: Preserving the Invariant Core for Robust Heterogeneous Graph Adaptation via Decoupled Information Bottleneck and Online Distillation

• arxiv url: http://arxiv.org/abs/2604.10882v1
• Date: Mon, 13 Apr 2026 01:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.264117
• Title: DIB-OD: Preserving the Invariant Core for Robust Heterogeneous Graph Adaptation via Decoupled Information Bottleneck and Online Distillation
• Title（参考訳）: DIB-OD:非結合型情報ボトルネックとオンライン蒸留によるロバスト不均一グラフ適応のための不変コア保存
• Authors: Yang Yan, Qiuyan Wang, Tianjin Huang, Qiudong Yu, Kexin Zhang,
• Abstract要約: DIB-ODは、頑健な不均一グラフ適応のための不変コアを保存するために設計された新しいフレームワークである。 本研究では,DIB-ODが最先端の手法,特にタイプ間ドメイン転送において著しく優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.626014518332898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Network pretraining is pivotal for leveraging unlabeled graph data. However, generalizing across heterogeneous domains remains a major challenge due to severe distribution shifts. Existing methods primarily focus on intra-domain patterns, failing to disentangle task-relevant invariant knowledge from domain-specific redundant noise, leading to negative transfer and catastrophic forgetting. To this end, we propose DIB-OD, a novel framework designed to preserve the invariant core for robust heterogeneous graph adaptation through a Decoupled Information Bottleneck and Online Distillation framework. Our core innovation is the explicit decomposition of representations into orthogonal invariant and redundant subspaces. By utilizing an Information Bottleneck teacher-student distillation mechanism and the Hilbert-Schmidt Independence Criterion, we isolate a stable invariant core that transcends domain boundaries. Furthermore, a self-adaptive semantic regularizer is introduced to protect this core from corruption during target-domain adaptation by dynamically gating label influence based on predictive confidence. Extensive experiments across chemical, biological, and social network domains demonstrate that DIB-OD significantly outperforms state-of-the-art methods, particularly in challenging inter-type domain transfers, showcasing superior generalization and anti-forgetting performance.
• Abstract（参考訳）: グラフニューラルネットワークの事前学習は、ラベルのないグラフデータを活用する上で重要である。 しかし、ヘテロジニアス領域をまたいだ一般化は、深刻な分布シフトのために大きな課題である。 既存の手法は主にドメイン内パターンに焦点を当てており、タスク関連不変知識をドメイン固有の冗長ノイズから切り離すことができず、負の移動と破滅的な忘れを招いた。 そこで本論文では,分散インフォメーション・ボトルネックおよびオンライン蒸留フレームワークを用いて,頑健な不均一グラフ適応のための不変コアの保存を目的とした新しいフレームワークであるDIB-ODを提案する。 我々の中心的な革新は、表現を直交不変かつ冗長な部分空間に明示的に分解することである。 Information Bottleneck の教師・学生蒸留機構と Hilbert-Schmidt Independence Criterion を利用して,ドメイン境界を超越する安定な不変コアを分離する。 さらに、このコアを目標ドメイン適応中の破損から保護するために、予測信頼度に基づいてラベルの影響を動的にゲーティングすることにより、自己適応型セマンティックレギュレータを導入する。 化学、生物学的、社会ネットワーク領域にわたる広範囲な実験により、DIB-ODは最先端の手法、特に挑戦的なタイプ間ドメイン転送において、優れた一般化とアンチフォーゲッティング性能を示す。

関連論文リスト

• Towards Domain-Generalized Open-Vocabulary Object Detection: A Progressive Domain-invariant Cross-modal Alignment Method [59.30562121800656]
  Open-Vocabulary Object Detectionは、新しいカテゴリへの一般化において大きな成功を収めた。 我々は、OVODパラダイムの原則的な見直しを行い、根本的な脆弱性を明らかにする。 PICA(Progressive Domain-invariant Cross-Modal Alignment)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T07:39:31Z)
• Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
  ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。 EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
  論文  参考訳（メタデータ） (2026-02-12T06:16:51Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Sparse Causal Discovery with Generative Intervention for Unsupervised Graph Domain Adaptation [27.5393760658806]
  Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースドメイングラフを利用して、分散シフトにもかかわらずラベルなしのターゲットドメインで効果的なパフォーマンスを実現する。 スパース因果モデリングと動的介入機構によりグラフ表現の安定化を実現する新しい手法であるSLOGANを提案する。
  論文  参考訳（メタデータ） (2025-07-10T10:42:21Z)
• Gradually Vanishing Gap in Prototypical Network for Unsupervised Domain Adaptation [32.58201185195226]
  プロトタイプネットワーク(GVG-PN)におけるGradually Vanishing Gapという効率的なUDAフレームワークを提案する。 我々のモデルは,グローバルとローカルの両方の観点からの伝達学習を実現する。 いくつかのUDAベンチマークの実験では、提案されたGVG-PNがSOTAモデルより明らかに優れていることが検証された。
  論文  参考訳（メタデータ） (2024-05-28T03:03:32Z)
• Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation [13.260109561599904]
  非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。 我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:13:50Z)
• Feature Alignment by Uncertainty and Self-Training for Source-Free Unsupervised Domain Adaptation [1.6498361958317636]
  ほとんどの教師なし領域適応(UDA)手法は、ラベル付きソースイメージがモデル適応中に利用できると仮定する。 本稿では,事前学習したソースモデルと未ラベルのターゲット画像のみを用いる,ソースフリーなUDA手法を提案する。 本手法は,データ拡張を取り入れ,特徴発生器を2つの整合性目標で訓練することにより,アレータリックな不確実性を捕捉する。
  論文  参考訳（メタデータ） (2022-08-31T14:28:36Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• 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)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。