Fugu-MT 論文翻訳(概要): Transfer Learning for Edge Classification on Dynamic Text-Attributed Graphs

論文の概要: Transfer Learning for Edge Classification on Dynamic Text-Attributed Graphs

arxiv url: http://arxiv.org/abs/2609.32849v1
Date: Sat, 26 Sep 2026 18:23:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 19:35:44.043293
Title: Transfer Learning for Edge Classification on Dynamic Text-Attributed Graphs
Title（参考訳）: 動的テキスト分散グラフを用いたエッジ分類のための転送学習
Abstract要約: 本研究では、動的グラフ学習のための最先端の自己教師手法が、目に見えない領域に移動すると、性能が低下することを示す。時間差とノード発生頻度の表現を統一多様体に統合するSTSAを提案する。
参考スコア（独自算出の注目度）: 9.701178273182691
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning transferable representations for dynamic text-attributed graphs (DyTAGs) requires models to capture underlying interaction dynamics that persist across domains. However, existing methods tend to overfit to domain-specific structural, temporal, and semantic patterns, limiting edge classification performance under distribution shifts. To expose and address this, we formally establish a leave-one-domain-out (LODO) transfer learning protocol for edge classification on DyTAGs. Under this protocol, we demonstrate that state-of-the-art self-supervised methods for dynamic graph learning perform poorly when transferred to unseen domains. Strikingly, existing methods underperform a structurally and temporally unaware Bag of Events (BoE) model we introduce, which inputs only unordered sequences of node and edge text features. Proceeding from the BoE, we propose Spatio-Temporal Semantic Alignment (STSA), which integrates a spatio-temporal encoder that fuses representations of time deltas and node occurrence frequencies into a unified manifold. STSA is trained with a Contrastive Semantic Forecasting objective, which anchors edge representations to a multi-domain textual latent space initialized by a pretrained language model, providing a robust prior that outperforms BoE and all existing methods we evaluate.
Abstract（参考訳）: 動的テキスト分散グラフ(DyTAG)の転送可能な表現を学習するには、ドメイン間で持続する基礎となる相互作用のダイナミクスをキャプチャするモデルが必要である。しかし、既存の手法はドメイン固有の構造パターン、時間パターン、意味パターンに過度に適合し、分布シフト時のエッジ分類性能を制限する傾向にある。そこで我々は,DyTAGのエッジ分類のためのLODO(Left-one-domain-out)転送学習プロトコルを正式に確立した。このプロトコルでは、動的グラフ学習のための最先端の自己教師手法が、目に見えない領域に移動すると、性能が低下することを示した。興味深いことに、既存のメソッドは、私たちが導入したBag of Events(BoE)モデルの構造的かつ時間的に認識していない、ノードとエッジのテキストの特徴の未順序シーケンスのみを入力します。時間差とノード発生頻度の表現を統一多様体に融合させる時空間エンコーダを統合した時空間セマンティックアライメント(STSA)を提案する。 STSAは、事前訓練された言語モデルによって初期化され、エッジ表現を複数のドメインのテキスト潜在空間に固定するContrastive Semantic Forecastingの目標を用いて訓練されている。

関連論文リスト

FITTER: Vocabulary-Agnostic Cross-Domain Inference on Temporal Knowledge Graphs [20.962253638494385]
本稿では、時間的知識グラフリンク予測のための、最初の完全帰納的構造モデルであるFITTERを提案する。 FITTERは、それぞれの述語を、他者との相互作用パターンと時間によって表現し、絶対順序ではなく相対的なエンコーディングを通して表現する。時間的エンコーディングは時間シフト不変であることが証明され、6つの時間的知識グラフベンチマーク上でのクロスドメイン、クロスグラフ転送においてFITTERを評価する。
論文参考訳（メタデータ） (2026-08-11T08:47:58Z)
DINOde: Continuous Vision-Text Alignment for Open-Vocabulary Semantic Segmentation [53.011370226020695]
DINOdeは、CLIPテキストの埋め込みをDINO視覚多様体と整合させるODEベースのフレームワークである。提案手法では, (i) Semantic Text Flow (STF) と (ii) Global Context Flow (GCF) の2つの相補的要素を用いて, DINO の CLS トークンが持つ全体像表現を洗練する。連続軌道としてアライメントをモデル化することにより、ディノドは離散射影に固有の絡み合いを回避し、より堅牢なクロスモーダルアライメントをもたらす。
論文参考訳（メタデータ） (2026-07-23T14:37:27Z)
Bridging Day and Night: Unsupervised Cross-Domain Re-Identification with Synergistic Prompt and Prototype Learning [11.126051917472806]
ドメイン間の昼夜再識別(ReID)は、昼夜のシーンと夜のシーンの間にかなりの視覚的差異があるため、基本的には困難である。本稿では,素早い学習とプロトタイプに基づく表現学習を組み合わせて,ドメイン間のアイデンティティを関連付ける新しいフレームワークを提案する。教師なし設定では、我々のフレームワークは最先端の完全教師付き手法に匹敵するランク1の精度を達成できる。
論文参考訳（メタデータ） (2026-06-10T16:01:31Z)
PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs [5.2307029116231165]
マルチモーダル学習は、DyTAG表現学習を強化するための、有望だが未発見の方向性として登場した。我々は,DyTAG表現学習のための反復的相互修正フレームワークである textbfPRISM を提案する。 PRISMはDyTAG情報を意味的および行動的モダリティに整理し、キャリアレベルのモダリティパーティションよりも本質的な代替手段を提供する。
論文参考訳（メタデータ） (2026-05-07T11:58:47Z)
TextBridgeGNN: Pre-training Graph Neural Network for Cross-Domain Recommendation via Text-Guided Transfer [29.448133208328926]
TextBridgeGNNは、トレーニング済みのGNNから下流タスクに知識を効果的に転送できる、事前トレーニングおよび微調整のフレームワークである。 TextBridgeGNNは、クロスドメイン、マルチドメイン、トレーニング不要の設定において、既存のメソッドよりも優れていることを示す。
論文参考訳（メタデータ） (2025-11-25T08:36:01Z)
StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
論文参考訳（メタデータ） (2024-06-01T02:41:34Z)
Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
論文参考訳（メタデータ） (2023-11-22T09:18:49Z)
Prompting Diffusion Representations for Cross-Domain Semantic Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文参考訳（メタデータ） (2023-07-05T09:28:25Z)
Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
論文参考訳（メタデータ） (2022-05-18T07:47:01Z)
Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文参考訳（メタデータ） (2021-10-26T04:03:45Z)

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。