論文の概要: Selectivity Matters: Source Node Influence Pruning for Unsupervised Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2607.17668v1
• Date: Mon, 20 Jul 2026 08:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.547013
• Title: Selectivity Matters: Source Node Influence Pruning for Unsupervised Graph Domain Adaptation
• Title（参考訳）: 選択性の問題:教師なしグラフドメイン適応のためのソースノード影響解析
• Abstract要約: Unsupervised Graph Domain Adaptationは、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への知識伝達を容易にすることを目的としている。 現在の手法は主に潜在空間におけるノードレベルの特徴アライメントに焦点を当てている。 本稿では,新しいモデルに依存しないデータ中心の改良フレームワークである Source Node Influence Pruning (SNIP) を提案する。
• 参考スコア（独自算出の注目度）: 14.616991530427441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Graph Domain Adaptation (UGDA) aims to facilitate knowledge transfer from a labeled source graph to an unlabeled target graph by mitigating cross-domain distribution shifts. Existing methods primarily focus on node-level feature alignment in latent spaces, relying on the implicit assumption that all source nodes contribute positively to the alignment. However, this assumption often fails because a node's semantic information is intrinsically coupled with its topological graph structure. Due to structural shifts, source nodes with severe structural deviations (e.g., structural outliers) lack semantic counterparts in the target graph, and forcing alignment on them introduces severe noise and causes negative transfer. To bridge this gap, we argue that selective source node utilization is superior to full-graph training, thereby shifting the research paradigm from feature-level alignment to data-level refinement. To this end, we propose Source Node Influence Pruning (SNIP), a novel model-agnostic, data-centric refinement framework. Specifically, SNIP quantifies the structural discrepancy between individual source nodes and the target domain by integrating multiple centrality measures, assigning each source node an influence score. A rank-based normalization mechanism is further employed to eliminate scale variations across different measures, allowing SNIP to effectively identify and filter out structurally incompatible nodes with low influence scores. As a plug-and-play method, SNIP constructs a refined "sub-source" graph that is inherently more beneficial for subsequent alignment. Comprehensive experiments across eight transfer scenarios on five real-world datasets demonstrate that SNIP consistently outperforms competitive baselines and significantly enhances adaptation performance, validating the superiority of selective node utilization over full-graph training.
• Abstract（参考訳）: Unsupervised Graph Domain Adaptation (UGDA)は、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への知識伝達を容易にすることを目的として、ドメイン間の分散シフトを緩和する。 既存の手法は主に、すべてのソースノードがアライメントに肯定的な貢献をするという暗黙の仮定に頼って、潜在空間におけるノードレベルの特徴アライメントに焦点を当てている。 しかし、この仮定は、ノードの意味情報が本質的にその位相グラフ構造と結合しているため、しばしば失敗する。 構造シフトのため、重度な構造偏差(例えば、構造外乱)を持つソースノードは、ターゲットグラフに意味的な相違を欠き、それらにアライメントを強制すると、厳しいノイズが発生し、負の遷移を引き起こす。 このギャップを埋めるために、我々は、選択的なソースノードの利用がフルグラフトレーニングよりも優れていると論じ、研究パラダイムを特徴レベルのアライメントからデータレベルのリファインメントへとシフトさせる。 そこで我々は,新しいモデルに依存しないデータ中心の洗練フレームワークである Source Node Influence Pruning (SNIP) を提案する。 具体的には、SNIPは、複数の集中度尺度を統合し、各ソースノードに影響スコアを割り当てることで、個々のソースノードとターゲットドメインの間の構造的不一致を定量化する。 階数に基づく正規化機構は、様々な尺度でスケールのばらつきを排除し、SNIPは、低影響スコアを持つ構造的不整合ノードを効果的に識別し、フィルタリングすることができる。 プラグ・アンド・プレイ法として、SNIPは、後続のアライメントに対して本質的により有益である洗練された「サブソース」グラフを構築する。 実世界の5つのデータセット上の8つの転送シナリオに対する総合的な実験により、SNIPは競争ベースラインを一貫して上回り、適応性能を大幅に向上し、フルグラフトレーニングよりも選択ノード利用の方が優れていることが示された。

関連論文リスト

• DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise [53.55187452152358]
  本稿では,ラベル付きグラフ上での信頼度,関係インフォームド最適化のためのDREAM(Dual-Standard Semantic Homogeneity with Dynamic Optimization)を提案する。 具体的には、グラフ内の各ラベル付きノードの信頼性を反復的に再評価するリレーショナルインフォームド動的最適化フレームワークを設計する。
  論文  参考訳（メタデータ） (2026-01-24T12:54:18Z)
• Bridging Source and Target Domains via Link Prediction for Unsupervised Domain Adaptation on Graphs [26.856865172357168]
  グラフニューラルネットワーク(GNN)は、グラフ上のノード分類に優れた能力を示している。 非教師なしドメイン適応(UDA)が注目を集めている。 本稿では、リンク予測を用いて、ソースグラフとターゲットグラフのノードを接続する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-29T22:54:40Z)
• Using Subgraph GNNs for Node Classification:an Overlooked Potential Approach [13.947915030994851]
  SubGND(Subgraph GNN for NoDe)はノード分類のための新しいサブグラフベースの分類フレームワークである。 我々は,SubGNDがグローバルメッセージパスGNNに匹敵する,あるいは超越した性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-09T13:37:38Z)
• Smoothness Really Matters: A Simple Yet Effective Approach for Unsupervised Graph Domain Adaptation [28.214010408550394]
  Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフからの知識をラベル付きターゲットグラフに転送することで、ドメイン間の分散シフトをブリッジする。 TDSS(Target-Domain Structure Smoothing)と呼ばれるUGDAのための新しいアプローチを提案する。 TDSSは、ターゲットグラフ上で直接構造的滑らか化を行うための、シンプルで効果的な方法である。
  論文  参考訳（メタデータ） (2024-12-16T10:56:58Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [33.50085646298074]
  本稿では,グラフニューラルネットワーク (GNN) とGAN (Generative Adrial Network) を組み合わせた新しいフレームワークを提案する。 このフレームワークには高度なエッジ生成と選択モジュールが含まれており、合成ノードとエッジを同時に生成することができる。
  論文  参考訳（メタデータ） (2023-12-11T16:52:20Z)
• Semi-supervised Domain Adaptation in Graph Transfer Learning [24.32465362708831]
  グラフに対する教師なしドメイン適応は、ラベル豊富なソースグラフからラベルのないターゲットグラフへの知識伝達を目的としている。 これにより、深刻なドメインシフトとラベルの不足により、グラフ転送学習に重大な課題が課される。 これらの課題に対処するために,SGDA (Semi-supervised Graph Domain Adaptation) という手法を提案する。
  論文  参考訳（メタデータ） (2023-09-19T17:20:58Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)

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。