論文の概要: MDGMIX: Boundary-Aware Subgraph Mixing for Multi-Domain Graph Pre-Training

• arxiv url: http://arxiv.org/abs/2605.25771v1
• Date: Mon, 25 May 2026 12:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.026091
• Title: MDGMIX: Boundary-Aware Subgraph Mixing for Multi-Domain Graph Pre-Training
• Title（参考訳）: MDGMIX:マルチドメイングラフ事前学習のための境界認識サブグラフ混合
• Authors: Ziyu Zheng, Yaming Yang, Ziyu Guan, Wei Zhao, Xinyan Huang,
• Abstract要約: マルチドメイングラフ事前学習は基礎グラフモデルを構築する上で重要なステップである。 本稿では,マルチドメイングラフ事前学習における有意なデータ冗長性を実証的に明らかにする。 境界認識サブグラフの混合と階層的識別を組み合わせたマルチドメイングラフ事前学習フレームワークMDGMIXを提案する。
• 参考スコア（独自算出の注目度）: 20.866173432752934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain graph pre-training is a crucial step in constructing foundational graph models with cross-domain generalization capabilities. However, existing methods predominantly rely on jointly training all source domain graphs, resulting in high computational costs. Furthermore, it remains unclear whether all source domain graph data contribute equally to effective transfer. This paper empirically reveals significant data redundancy in multi-domain graph pre-training. Based on this finding, we propose the Multi-domain Graph Pre-training Framework, MDGMIX, which combines boundary-aware subgraph mixing with hierarchical discrimination. By selecting boundary nodes to construct challenging mixed-domain subgraphs, MDGMIX employs coarse-grained domain discrimination and fine-grained domain decomposition losses to decouple shared patterns from domain-specific patterns. During adaptation, MDGMIX employs a lightweight prompt weighting mechanism to transfer source domain knowledge. Extensive experiments demonstrate that MDGMIX consistently outperforms strong baselines in few-shot classification tasks while exhibiting superior time and memory efficiency. The code is available at: https://github.com/zhengziyu77/MDGMIX.
• Abstract（参考訳）: マルチドメイングラフ事前学習は、クロスドメインの一般化機能を備えた基礎グラフモデルを構築するための重要なステップである。 しかし、既存の手法は主に全てのソース・ドメイン・グラフを共同で訓練することに依存しており、計算コストが高い。 さらに、すべてのソース・ドメイン・グラフデータが効果的な転送に等しく寄与するかどうかも不明である。 本稿では,マルチドメイングラフ事前学習における有意なデータ冗長性を実証的に明らかにする。 そこで本研究では,境界対応サブグラフ混合と階層的識別を組み合わせた多領域グラフ事前学習フレームワークMDGMIXを提案する。 MDGMIXは、境界ノードを選択して、困難な混合領域のサブグラフを構築することで、粗いドメイン識別ときめ細かなドメイン分解損失を用いて、共有パターンをドメイン固有のパターンから切り離す。 適応中、MDGMIXはソースドメインの知識を伝達するために軽量なプロンプト重み付け機構を採用している。 大規模な実験では、MDGMIXは時間とメモリ効率に優れた性能を示しながら、数ショットの分類タスクにおいて強いベースラインを一貫して上回ることを示した。 コードは、https://github.com/zhengziyu77/MDGMIX.comで入手できる。

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)
• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Multi-label Image Classification using Adaptive Graph Convolutional Networks: from a Single Domain to Multiple Domains [8.02139126500224]
  本稿では,マルチラベル画像分類のための適応的なグラフベースアプローチを提案する。 注意に基づくメカニズムと類似性保存戦略を統合することで実現される。 提案するフレームワークは,複数のドメインに拡張し,対戦型トレーニングスキームを用いて拡張する。
  論文  参考訳（メタデータ） (2023-01-11T14:42:47Z)
• FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
  ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。 一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。 我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。 提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
  論文  参考訳（メタデータ） (2022-11-07T09:38:34Z)
• Finding Diverse and Predictable Subgraphs for Graph Domain Generalization [88.32356432272356]
  本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。 本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。 ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-19T07:57:56Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 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） (2020-07-17T07:52:44Z)

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。