Structural Alignment Improves Graph Test-Time Adaptation

要約

グラフベースの学習は、基礎となる相互作用パターンを効果的にキャプチャすることにより、推奨から詐欺検出や粒子物理学に至るまで、ドメインで顕著な成功を収めています。
ただし、特にネットワーク接続または相互作用パターンの変化が含まれる分布シフトが発生する場合、一般化するのに苦労することがよくあります。
このようなシフトを軽減するように設計された既存のアプローチは、通常、ソースデータへの完全なアクセスを伴う再トレーニングを必要とし、厳格な計算またはプライバシーの制約の下でそれらを実行不可能にします。
この制限に対処するために、ソースドメインを再検討せずに推論中にグラフ構造を整列させる新しい方法である、グラフテスト時間適応（GTTA）のテスト時間構造アライメント（TSA）アルゴリズムを提案します。
グラフデータ分布シフトの理論的に接地された処理に基づいて構築されたTSAは、3つの重要な戦略を統合します。構造シフトに対応する不確実性に対応する近隣の重み、セルフノードの適応バランス、およびノー​​ド表現のシグナルから駆動される近傍凝集表現
ノイズ比、および残りのラベルと機能のシフトを修正する決定境界の改良。
合成および現実世界のデータセットに関する広範な実験は、TSAが非グラフTTAメソッドと最先端のGTTAベースラインの両方を一貫して上回ることができることを示しています。

要約(オリジナル)

Graph-based learning has achieved remarkable success in domains ranging from recommendation to fraud detection and particle physics by effectively capturing underlying interaction patterns. However, it often struggles to generalize when distribution shifts occur, particularly those involving changes in network connectivity or interaction patterns. Existing approaches designed to mitigate such shifts typically require retraining with full access to source data, rendering them infeasible under strict computational or privacy constraints. To address this limitation, we propose a test-time structural alignment (TSA) algorithm for Graph Test-Time Adaptation (GTTA), a novel method that aligns graph structures during inference without revisiting the source domain. Built upon a theoretically grounded treatment of graph data distribution shifts, TSA integrates three key strategies: an uncertainty-aware neighborhood weighting that accommodates structure shifts, an adaptive balancing of self-node and neighborhood-aggregated representations driven by node representations’ signal-to-noise ratio, and a decision boundary refinement that corrects remaining label and feature shifts. Extensive experiments on synthetic and real-world datasets demonstrate that TSA can consistently outperform both non-graph TTA methods and state-of-the-art GTTA baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google