論文の概要: Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2608.27948v1
- Date: Fri, 28 Aug 2026 05:41:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.213598
- Title: Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs
- Title（参考訳）: 動的グラフを用いた時間記憶型オンラインテスト時間適応
- Abstract要約: グラフ上のテスト時間適応(TTA)は、トレーニンググラフ上で十分にトレーニングされたグラフニューラルネットワーク(GNN)をテストグラフに適応させることを目的としている。
DGOTTAと呼ばれる動的グラフ上での時間的メモリを考慮したオンラインテスト時間適応のフレームワークを提案し、テスト時間中によく訓練されたDGNNを効果的に適応させる。
- 参考スコア（独自算出の注目度）: 52.31268996286955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Test-time adaptation (TTA) on graphs aims to adapt a graph neural network (GNN) that is well-trained on the training graph to the test graph, which involves potential distribution shifts that may harm model generalization and test-time inference. While recent efforts have investigated TTA on static graphs, there is still a research gap on dynamic graphs learned with dynamic GNN (DGNN) models, where both structural connectivity and node semantics evolve continuously over time. This makes adapting a DGNN model for reliable test-time performance substantially challenging. To fill this gap, in this work, we propose a novel framework of temporal memory-aware Online Test-Time Adaptation on Dynamic Graphs, named DGOTTA, to effectively adapt well-trained DGNNs during test time. Specifically, the proposed DGOTTA contains three modules: (1) temporal-aware augmentation, to extend the diversity of test dynamic graphs for addressing complex temporal and spatial shifts; (2) memory-aware model prediction, to alleviate catastrophic forgetting; (3) consistency-guided online adaptation, to enforce temporal alignment and memory smoothness. Extensive experiments on three real-world datasets and four DGNN backbones demonstrate that DGOTTA significantly improves generalization under diverse distribution shifts and multiple model architectures.
- Abstract（参考訳）: グラフ上のテスト時間適応(TTA)は、トレーニンググラフ上で十分に訓練されたグラフニューラルネットワーク(GNN)をテストグラフに適応させることを目的としている。
最近の研究は静的グラフのTTAについて研究しているが、動的GNN(DGNN)モデルで学んだ動的グラフには、時間とともに構造接続とノードセマンティクスの両方が継続的に進化する研究のギャップがある。
これにより、信頼性の高いテスト時間パフォーマンスにDGNNモデルを適用することは極めて困難である。
このギャップを埋めるために、本稿では、テスト時間中によく訓練されたDGNNを効果的に適応させるために、動的グラフに時間的メモリを意識したオンラインテスト時間適応のフレームワークDGOTTAを提案する。
具体的には,1)時空間シフトに対処するテストダイナミックグラフの多様性を拡張するための時空間拡張,(2)記憶認識モデル予測による破滅的忘れの軽減,(3)時間的アライメントとメモリスムースネスを強制する一貫性誘導オンライン適応の3つのモジュールを含む。
3つの実世界のデータセットと4つのDGNNバックボーンに関する大規模な実験により、DGOTTAは多様な分散シフトと複数のモデルアーキテクチャの下での一般化を著しく改善することを示した。
関連論文リスト
- PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs [97.88691137307723]
PromptDyGは、教師なしテストタイムのPrompt適応を動的グラフ学習に活用する新しいフレームワークである。
理論的には、この教師なしのプロンプト適応は、正対と負対のより大きな類似性マージンを保証し、より正確な動的予測を促進することが示される。
論文 参考訳（メタデータ） (2026-06-22T06:54:02Z) - Test-time GNN Model Evaluation on Dynamic Graphs [52.31268996286955]
我々は,DyGEvalと呼ばれる動的グラフニューラルネットワーク評価器を提案し,この問題に対処する。
提案したDyGEvalは,(1) テスト時動的グラフシミュレーション,(2) テスト時動的グラフ上でのよく訓練されたDGNNモデルの性能を正確に推定するDyGEvalの開発・訓練の2段階からなる。
論文 参考訳（メタデータ） (2025-09-28T11:40:37Z) - Dynamic Graph Condensation [40.099854631984556]
動的グラフにおける時間的拡張は、重要なデータ効率の課題を引き起こす。
実動的グラフをコンパクトなバージョンに凝縮するフレームワークであるDyGCを提案する。
提案手法は, 最大96.2%のDGNN性能を保ち, 元のグラフサイズは0.5%に留まり, 最大1846倍の高速化を実現している。
論文 参考訳（メタデータ） (2025-06-16T05:11:29Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。
これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。
提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-05-29T13:09:33Z) - Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。
提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。
我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
論文 参考訳（メタデータ） (2024-03-15T01:28:08Z) - Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。
RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。
離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-04-20T04:12:50Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳（メタデータ） (2023-03-22T06:35:08Z) - Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。
提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。
本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文 参考訳（メタデータ） (2022-06-03T03:27:42Z)
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。