論文の概要: CHoE: Cross-Domain Heterogeneous Graph Prompt Learning via Structure-Conditioned Experts

• arxiv url: http://arxiv.org/abs/2605.15888v1
• Date: Fri, 15 May 2026 12:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.277764
• Title: CHoE: Cross-Domain Heterogeneous Graph Prompt Learning via Structure-Conditioned Experts
• Title（参考訳）: CHoE: 構造化専門家によるクロスドメインな異種グラフプロンプト学習
• Authors: Peiyuan Li, Yongqi Huang, Jitao Zhao, Dongxiao He, Di Jin, Weixiong Zhang,
• Abstract要約: 我々はエキスパートネットワーク上に構築されたドメイン間HGPLメソッドであるCHoEを開発した。 CHoEは、少数のクロスドメインアプリケーションの性能を一貫して改善し、すべてのベースラインアプローチより優れていることを示す。
• 参考スコア（独自算出の注目度）: 27.396081347938523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Graph Prompt Learning (HGPL)has emerged as a promising paradigm for bridging the gap between the objectives of pre-training foundation models and their downstream applications in heterogeneous graph settings. However, existing HGPL methods are primarily designed for in-domain scenarios, whereas real-world deployments often span multiple domains, and the data used for pre-training and downstream tasks may originate from different distributions. Consequently, the applicability of current HGPL approaches is limited to in-domain settings, and their performance typically degrades when application domains shift. To address this serious limitation, we develop CHoE, a cross-domain HGPL method built upon an expert network. During pre-training, we introduce and train structure-conditioned experts, and during prompt tuning, we adopt a structure-aware expert routing and load balancing mechanism to select structurally compatible experts for each meta-path view. In addition, we design a prompt-based semantic fusion module to integrate representations across multiple views for downstream prediction. Extensive experiments show that CHoE consistently improves performance in few-shot cross-domain applications, outperforming all baseline approaches.
• Abstract（参考訳）: Heterogeneous Graph Prompt Learning (HGPL)は、トレーニング前の基礎モデルの目的と、不均一なグラフ設定における下流の応用とのギャップを埋めるための、有望なパラダイムとして登場した。 しかし、既存のHGPLメソッドは主にドメイン内のシナリオ用に設計されているのに対し、現実世界のデプロイメントは複数のドメインにまたがることが多い。 したがって、現在のHGPLアプローチの適用性はドメイン内の設定に限られており、アプリケーションドメインのシフト時にパフォーマンスが低下するのが普通である。 この深刻な制限に対処するため、専門家ネットワーク上に構築されたドメイン間HGPLメソッドであるCHoEを開発した。 事前学習中、構造条件付きエキスパートを導入訓練し、迅速なチューニング中、各メタパスビューに対して構造に適合したエキスパートを選択するために、構造対応のエキスパートルーティングとロードバランシング機構を採用する。 さらに、下流予測のために複数のビューにまたがる表現を統合するために、プロンプトベースの意味融合モジュールを設計する。 大規模な実験により、CHoEは数ショットのクロスドメインアプリケーションのパフォーマンスを一貫して改善し、すべてのベースラインアプローチを上回っている。

関連論文リスト

• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning [18.84875776859183]
  CrossHGLは、異種グラフを均質化し、相互作用セマンティクスをエッジ特徴にエンコードする意味保存変換戦略である。 Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、機能、エッジ、構造の観点から伝達可能な知識をキャプチャする。 ノードレベルのタスクとグラフレベルのタスクの実験は、CrossHGL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。
  論文  参考訳（メタデータ） (2026-03-29T13:17:15Z)
• LEDA: Latent Semantic Distribution Alignment for Multi-domain Graph Pre-training [26.195024921277962]
  汎用グラフ事前学習のための新しいLatent sEmantic Distribution Alignment (LEDA) モデルを提案する。 LEDAは、広範囲のグラフと下流タスクに強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-02-26T06:18:14Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Federated Domain Generalization with Domain-specific Soft Prompts Generation [34.51919138862278]
  本稿では,フェデレートされた領域一般化タスクを扱うための,ジェネレーティブの観点から,新しい効果的な手法を提案する。 具体的には、トレーニング中、各ドメインに対してドメイン固有のソフトプロンプト(DSP)を導入し、コンテンツとドメイン知識を生成モデルに統合する。 推論フェーズでは、ジェネレータを使用して、未知のターゲットドメインのDSPを取得し、未知のドメインの下流タスクを誘導する。
  論文  参考訳（メタデータ） (2025-09-25T06:41:48Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Hypernetwork-Driven Model Fusion for Federated Domain Generalization [26.492360039272942]
  フェデレートラーニング(FL)は、異種データのドメインシフトにおいて大きな課題に直面します。 非線形アグリゲーションにハイパーネットワークを用いた、ハイパーネットワークベースのフェデレート・フュージョン(hFedF)と呼ばれるロバストなフレームワークを提案する。 本手法では,ドメインの一般化を効果的に管理するために,クライアント固有の埋め込みと勾配アライメント手法を用いる。
  論文  参考訳（メタデータ） (2024-02-10T15:42:03Z)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

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。