論文の概要: Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation
- arxiv url: http://arxiv.org/abs/2606.00808v1
- Date: Sat, 30 May 2026 16:47:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.786526
- Title: Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation
- Title（参考訳）: ソースフリーグラフ領域適応のためのセーフサブスペース擬似ラベル再構成
- Abstract要約: ソースフリーグラフドメイン適応(SF-GDA)は、ソースグラフがもはやアクセスできないときに、未ラベルのターゲットグラフにソース学習グラフモデルを適用することを目的としている。
本稿では,SF-GDAを選択的擬似ラベル法の観点から検討する。
本稿では,ターゲットグラフのみにハードな擬似ラベル監視を適用する,ソースフリーなグラフ適応フレームワークであるSafeSubspace Pseudo-Label Refinement (S$2$PLR)を提案する。
- 参考スコア（独自算出の注目度）: 41.958621280228634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source-free graph domain adaptation (SF-GDA) aims to adapt source-trained graph models to unlabeled target graphs when source graphs are no longer accessible. A central obstacle is pseudo-label reliability: under feature and topological shifts, source-induced predictions may become confidently wrong, and indiscriminate self-training can amplify systematic errors through graph message passing. This paper studies SF-GDA from a selective pseudo-labeling perspective. Instead of assuming globally bounded pseudo-label noise over the entire target domain, we identify a confidence-consistent safe subspace on which pseudo-label noise can be controlled under restricted posterior discrepancy, and derive a target-risk decomposition that separates safe-subspace fitting error, selected-label noise, and uncertain-set risk. Guided by this analysis, we propose SafeSubspace Pseudo-Label Refinement (S$^2$PLR), a source-free graph adaptation framework that applies hard pseudo-label supervision only to target graphs supported by both semantic and structural evidence. Specifically, S$^2$PLR estimates semantic reliability using source-committee confidence and disagreement, learns a targetintrinsic structural representation via graph contrastive learning, verifies pseudo-labels through neighborhood consistency, and exploits the remaining uncertain samples with noise-tolerant soft regularization rather than unreliable hard labels. Experiments on image and real-world graph benchmarks under different domain shifts demonstrate that S$^2$PLR achieves robust and competitive performance across diverse source-free transfer settings.
- Abstract（参考訳）: ソースフリーグラフドメイン適応(SF-GDA)は、ソースグラフがもはやアクセスできないときに、未ラベルのターゲットグラフにソース学習グラフモデルを適用することを目的としている。
機能的およびトポロジ的シフトの下で、ソースによる予測は確実に誤りとなり、非差別的な自己学習はグラフメッセージパッシングを通じて体系的なエラーを増幅する。
本稿では,SF-GDAを選択的擬似ラベル法の観点から検討する。
対象領域全体にわたってグローバルに有界な擬似ラベルノイズを仮定する代わりに、擬似ラベルノイズを制限された後誤差の下で制御できる信頼一貫性のある安全部分空間を同定し、安全なサブスペース適合誤差、選択されたラベルノイズ、不確実なセットリスクを分離するターゲットリスク分解を導出する。
この分析で導かれたSafeSubspace Pseudo-Label Refinement (S$^2$PLR) は,意味的および構造的エビデンスによって支持されるグラフに対してのみ,厳密な擬似ラベル監視を適用する,ソースフリーなグラフ適応フレームワークである。
具体的には、S$^2$PLRは、ソース・コミットの信頼性と不一致を利用してセマンティックな信頼性を推定し、グラフのコントラスト学習を通してターゲット固有の構造表現を学習し、近隣の一貫性を通して擬似ラベルを検証する。
ドメインシフトの異なる画像および実世界のグラフベンチマーク実験により、S$^2$PLRは、様々なソースフリー転送設定に対して堅牢で競合的な性能を達成することを示した。
関連論文リスト
- Data-Efficient Agentic Graph Domain Adaptation via Reliability-Aware Prototype Learning [7.021321989243726]
Graph Domain Adaptation (GDA)は、ラベル付きソースグラフから未ラベルのターゲットグラフへの知識を分散シフトの下で転送することで、設定を自然にインスタンス化する。
ほとんどのGDA手法は、データ効率のエージェント設定において制約となる十分なラベル付きソースグラフを仮定する。
データ効率のよいGDAのための信頼性を考慮したプロトタイプ学習フレームワークであるDEAGを提案する。
論文 参考訳（メタデータ） (2026-09-12T16:54:53Z) - A Step Towards Robust Unsupervised Domain Adaptation via Fine-Tuning and Reinforcement Learning [2.436631469537453]
我々は,2段階の堅牢なUDAフレームワークである textbfSFT+RL を提案し,Supervised Fine Tuning と Reinforcement Learning を統合した。
textbfSFT+RLは、清潔な精度で textbf10.2% を平均的に改善し、textbf15.8% を3つのデータセットで比較した。
論文 参考訳（メタデータ） (2026-07-03T20:56:12Z) - Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。
我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
論文 参考訳（メタデータ） (2025-10-17T03:06:23Z) - Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。
本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
論文 参考訳（メタデータ） (2025-10-10T17:50:31Z) - Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning [26.926061463569567]
Nested Graph Pseudo-Label Refinement (NeGPR)は、ノイズラベルによるグラフレベルのドメイン適応に適した、新しいフレームワークである。
NeGPRは、厳密なラベルノイズ下での最先端の手法を一貫して上回り、最大12.7%の精度を達成している。
論文 参考訳（メタデータ） (2025-08-01T15:32:40Z) - Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる
本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-31T03:14:44Z) - Source-Free Domain Adaptive Fundus Image Segmentation with Denoised
Pseudo-Labeling [56.98020855107174]
ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。
多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。
本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
論文 参考訳（メタデータ） (2021-09-19T06:38:21Z) - Exploiting Negative Learning for Implicit Pseudo Label Rectification in
Source-Free Domain Adaptive Semantic Segmentation [12.716865774780704]
ソースフリードメイン適応(SFDA)のための最先端の手法は厳格な制限を受ける。
textitPR-SFDA は 49.0 mIoU を達成している。
論文 参考訳（メタデータ） (2021-06-23T02:20:31Z) - Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文 参考訳（メタデータ） (2021-03-29T22:18:34Z) - Unsupervised Robust Domain Adaptation without Source Data [75.85602424699447]
我々は、利用できないターゲットラベルとソースデータのコンテキストにおけるロバストなドメイン適応の問題について研究する。
4つのベンチマークデータセットでテストされたベースラインに対して10%以上の精度で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-03-26T16:42:28Z) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-10T01:42:35Z)
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。