論文の概要: Cross-Resolution Semantic Learning for Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2607.29365v1
• Date: Fri, 31 Jul 2026 12:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.713698
• Title: Cross-Resolution Semantic Learning for Graph Domain Adaptation
• Title（参考訳）: グラフ領域適応のためのクロスリゾリューション・セマンティック学習
• Abstract要約: Graph Domain Adaptation (GDA)は、ラベル付きソースグラフから分布シフト中のラベルなしターゲットグラフへの予測知識を転送する。 既存の手法では表現を整列したりグラフ構造を規則化したりするが、異なるソース領域で学習したクラス識別的知識をターゲット範囲にルーティングする方法を明示的にモデル化するものではない。 クロスドメインクラス構造からソフト・ソース・ターゲット・レゾリューション対応を学習するGDA法であるクロス・リゾリューション・セマンティック・ラーニング(CreSL)を提案する。
• 参考スコア（独自算出の注目度）: 13.0262398369043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) transfers predictive knowledge from labeled source graphs to unlabeled target graphs under distribution shift. Existing methods align representations or regularize graph structures, but do not explicitly model how class-discriminative knowledge learned at different source neighborhood ranges should be routed across target ranges. We call the neighborhood range encoded by a graph representation its propagation resolution and define semantic resolution shift as a cross-domain change in the propagation resolutions at which class-discriminative evidence is strongest. Such shifts can make fixed same-resolution pairing suboptimal and increase the risk of negative transfer. To address this issue, we propose Cross-Resolution Semantic Learning (CReSL), a GDA method that learns soft sourceto-target resolution correspondence from cross-domain class structure. First, CReSL constructs a multi-resolution representation bank using a shared Graph Neural Network and learnable resolution embeddings, with a resolution-indexed expert for each source resolution. Second, CReSL introduces Cross-Resolution Prototype Transport, which constructs class-resolution prototypes from source labels and soft target posteriors and converts cross-domain prototype discrepancies into expert-specific routing over target resolutions. Third, CReSL introduces Cross-Resolution Target Grafting, which constructs posterior-weighted target-to-source prototype displacements and enforces correspondence-weighted prediction consistency for instance-level adaptation under class uncertainty. Extensive experiments on graph benchmarks under diverse domain shifts show that CReSL outperforms strong representative baselines across most settings.
• Abstract（参考訳）: Graph Domain Adaptation (GDA)は、ラベル付きソースグラフから分布シフト中のラベルなしターゲットグラフへの予測知識を転送する。 既存の手法では表現を整列したりグラフ構造を規則化したりするが、異なるソース領域で学習したクラス識別的知識をターゲット範囲にルーティングする方法を明示的にモデル化するものではない。 本研究は,グラフ表現で符号化された近傍範囲を,クラス識別的証拠が最強となる伝播解像度における領域横断的な変化として定義する。 このようなシフトは、固定された同じ解像度のペアリングを最適にし、負転移のリスクを増大させる。 この問題に対処するために,クロスドメインクラス構造からソフト・ソース・ターゲット・レゾリューション対応を学習するGDA法であるクロス・リゾリューション・セマンティック・ラーニング(CRESL)を提案する。 まず、CRESLは、共有グラフニューラルネットワークと学習可能な解像度埋め込みを用いて、複数の解像度表現バンクを構築する。 第2に、CRESLは、ソースラベルとソフトターゲットの後方からクラスレゾリューションのプロトタイプを構築し、クロスドメインのプロトタイプを、ターゲットの解像度を超える専門家固有のルーティングに変換するクロスレゾリューションプロトタイプトランスポート(Cross-Resolution Prototype Transport)を導入した。 第3に、CRESLはクロス・リゾリューション・ターゲットグラフティングを導入し、これは後続のターゲット・トゥ・ソースのプロトタイプ変位を構築し、クラス不確実性の下でのインスタンスレベルの適応に対する対応重み付き予測一貫性を強制する。 さまざまなドメインシフトの下でのグラフベンチマークの大規模な実験は、CRESLがほとんどの設定において強力な代表的ベースラインより優れていることを示している。

関連論文リスト

• 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)
• 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)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Super-Resolution Domain Adaptation Networks for Semantic Segmentation via Pixel and Output Level Aligning [4.500622871756055]
  本稿では、新しいエンドツーエンドセマンティックセマンティックセマンティクスネットワーク、すなわち超解法ドメイン適応ネットワーク(SRDA-Net)を設計する。 SRDA-Netは,超分解能タスクとドメイン適応タスクを同時に達成し,リモートセンシング画像のセマンティックセグメンテーションの必要性を満たす。 異なる解像度の2つのリモートセンシングデータセットの実験結果から、SRDA-Netは最先端の手法に対して好適に機能することが示された。
  論文  参考訳（メタデータ） (2020-05-13T15:48:41Z)
• 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)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための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） (2020-02-06T22:58:20Z)

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。