論文の概要: Data-Efficient Agentic Graph Domain Adaptation via Reliability-Aware Prototype Learning
- arxiv url: http://arxiv.org/abs/2609.14045v1
- Date: Sat, 12 Sep 2026 16:54:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.646394
- Title: Data-Efficient Agentic Graph Domain Adaptation via Reliability-Aware Prototype Learning
- Title（参考訳）: 信頼性を考慮したプロトタイプ学習によるデータ効率の良いエージェントグラフドメイン適応
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.021321989243726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic learning systems are often required to adapt after deployment by observing new data and reusing prior knowledge under limited supervision or feedback. For graph-structured prediction, Graph Domain Adaptation (GDA) naturally instantiates this setting by transferring knowledge from labeled source graphs to unlabeled target graphs under distribution shifts. However, most GDA methods assume sufficient labeled source graphs, which becomes restrictive in data-efficient agentic settings where only limited source evidence can be retained. Under such constraints, source semantics become unreliable, leading to unstable source anchoring, uncertain target association, and fragile targetmarginal calibration. To address these challenges, we propose DEAG, a reliability-aware prototype learning framework for data-efficient agentic GDA. DEAG estimates class reliability from retained source support and embedding compactness, and constructs stable reusable source anchors by blending empirical prototypes with classifier directions. Guided by these anchors, DEAG performs prototype-aware soft target association and aligns confidence-weighted target centers with source semantics. A source-prior regularizer further sharpens target predictions while keeping the target marginal consistent with retained source evidence. Experiments on graph benchmarks with diverse domain shifts show that DEAG improves average adaptation performance over competitive GDA baselines under the same source-data budget.
- Abstract（参考訳）: エージェント学習システムは、新しいデータを観察し、限られた監督やフィードバックの下で事前知識を再利用することで、展開後の適応を要求されることが多い。
グラフ構造化予測では、グラフドメイン適応(GDA)がこの設定を自然にインスタンス化し、ラベル付きソースグラフからの知識を、分散シフトの下でラベル付けされていないターゲットグラフに転送する。
しかし、ほとんどのGDA法は十分なラベル付きソースグラフを仮定しており、限られた情報源証拠しか保持できないデータ効率のエージェント的設定では制限される。
このような制約の下で、ソースセマンティクスは信頼できないものとなり、不安定なソースアンカー、不確実なターゲットアソシエーション、脆弱なターゲットマージナルキャリブレーションをもたらす。
これらの課題に対処するために、データ効率のエージェントGDAのための信頼性に配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。
DEAGは、保持されたソースサポートと埋め込みコンパクト性からクラスの信頼性を推定し、実験的なプロトタイプと分類器の方向を混ぜることで、安定した再利用可能なソースアンカーを構築する。
これらのアンカーによってガイドされ、DEAGはプロトタイプ対応のソフトターゲットアソシエーションを実行し、信頼性重み付けされたターゲットセンターをソースセマンティクスと整合させる。
ソース優先正則化器は、さらにターゲットの限界を保持されたソース証拠と一致させながら、ターゲットの予測を鋭くする。
さまざまなドメインシフトを持つグラフベンチマークの実験は、DEAGが同じソースデータ予算の下で競合GDAベースラインよりも平均適応性能を向上させることを示している。
関連論文リスト
- Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [64.37805399216347]
パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。
本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。
論文 参考訳（メタデータ） (2025-04-05T19:14:51Z) - Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with
Differentiable Expected Calibration Error [50.86671887712424]
ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。
ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。
校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-06T03:28:34Z) - Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。
本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-14T20:11:05Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-18T16:40:10Z) - Uncertainty-Induced Transferability Representation for Source-Free
Unsupervised Domain Adaptation [15.76962579279531]
ソースフリーな教師なしドメイン適応(SFUDA)は、ラベルのないターゲットデータと、十分に訓練されたソースドメインモデルの知識を用いて、ターゲットドメインモデルを学習することを目的としている。
本稿では,不確実性に起因したトランスファービリティ表現(UTR)を提案し,その不確実性を利用してソースエンコーダのチャネルワイドトランスファービリティを解析する。
論文 参考訳（メタデータ） (2022-08-30T04:54:53Z) - Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。
本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文 参考訳（メタデータ） (2022-08-16T08:03:30Z) - Source-free Unsupervised Domain Adaptation for Blind Image Quality
Assessment [20.28784839680503]
既存の学習ベースのブラインド画像品質評価法(BIQA)は、大量の注釈付きトレーニングデータに大きく依存している。
本稿では,ソースフリーな非教師付きドメイン適応(SFUDA)への第一歩を,シンプルで効率的な方法で進める。
本稿では、BNアフィンパラメータのターゲット領域への適応を導くための、十分に設計された自己教師対象のグループを示す。
論文 参考訳（メタデータ） (2022-07-17T09:42:36Z) - Source-Free Progressive Graph Learning for Open-Set Domain Adaptation [44.63301903324783]
オープンセットドメイン適応(OSDA)は多くの視覚認識タスクで注目されている。
目的仮説空間を共有空間と未知の部分空間に分解するプログレッシブグラフ学習(PGL)フレームワークを提案する。
また、ソースとターゲットドメインの共存を前提としない、より現実的なオープンソースフリーなオープンセットドメイン適応(SF-OSDA)に取り組みます。
論文 参考訳（メタデータ） (2022-02-13T01:19:41Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z)
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。