論文の概要: Graph Domain Adaptation Does Not End with Representation Learning

• arxiv url: http://arxiv.org/abs/2609.25692v1
• Date: Tue, 22 Sep 2026 04:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.228374
• Title: Graph Domain Adaptation Does Not End with Representation Learning
• Title（参考訳）: グラフドメイン適応は表現学習では終わらない
• Abstract要約: グラフドメイン適応(GDA)は、ノード属性とグラフ構造の両方のシフトの下で、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に知識を転送する。 既存の手法は主に、伝播、分散アライメント、ソースからターゲットへの遷移モデリングを通じてグラフ表現を適応する。 グラフ表現適応をグラフフリーなローカルエキスパートで補完するEvidence-Augmented Graph Domain AdaptationフレームワークであるEviGDAを提案する。
• 参考スコア（独自算出の注目度）: 13.126758095553972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph domain adaptation (GDA) transfers knowledge from a labeled source graph to an unlabeled target graph under shifts in both node attributes and graph structure. Existing methods primarily adapt graph representations through propagation redesign, distribution alignment, or source-to-target transition modeling, but still rely on a single graph-propagating path for target prediction. This leaves open whether an adapted graph representation exhausts the predictive evidence available in the target domain, since the graph-aware expert and graph-free local expert may exhibit different failure modes under topological shifts. To address this limitation, we propose EviGDA, an Evidence-Augmented Graph Domain Adaptation framework that complements graph representation adaptation with a graph-free local expert. The graph-aware expert performs message passing and entropy-aware marginal alignment, while the graph-free local expert learns solely from source node features and labels without graph propagation or target alignment. The two experts are optimized independently and combined only at inference through a task-level constant probability mixture, preserving complementary evidence without joint training, learned routing, or target pseudo-labels. Extensive experiments on ten datasets and 16 transfer tasks show that EviGDA outperforms state-of-the-art baselines.
• Abstract（参考訳）: グラフドメイン適応(GDA)は、ノード属性とグラフ構造の両方のシフトの下で、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に知識を転送する。 既存の手法は主に、伝播再設計、分散アライメント、ソースからターゲットへの遷移モデリングを通じてグラフ表現を適応するが、それでもターゲット予測には単一のグラフプロパゲーションパスに依存している。 このことは、適応されたグラフ表現がターゲット領域で利用可能な予測的証拠を消し去るかどうかを、グラフ認識の専門家とグラフフリーなローカルエキスパートは、トポロジ的シフトの下で異なる障害モードを示す可能性があるからである。 この制限に対処するため,グラフ表現適応をグラフフリーなローカルエキスパートで補完するEvidence-Augmented Graph Domain AdaptationフレームワークであるEviGDAを提案する。 グラフフリーのローカルエキスパートは、グラフの伝搬やターゲットアライメントなしに、ソースノードの特徴やラベルからのみ学習する。 2つの専門家は独立して最適化され、タスクレベルの一定の確率混合を通じて推論時にのみ組み合わせられ、共同トレーニング、学習されたルーティング、あるいは擬似ラベルを使用せずに補完的な証拠を保存する。 10のデータセットと16の転送タスクに関する大規模な実験は、EviGDAが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。

関連論文リスト

• Graph Positional Autoencoders as Self-supervised Learners [42.78083704462157]
  グラフオートエンコーダ(GAE)は入力として不完全なグラフを取り、マスクノードやエッジなどの欠落した要素を予測する。 グラフ位置自動エンコーダ (GraphPAE) を提案する。 異種ノード分類,グラフ特性予測,移動学習など,GraphPAEの有効性を検証するための広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-29T11:10:11Z)
• GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
  ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。 最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。 本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:32:46Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)

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。