Semi-supervised Domain Adaptation in Graph Transfer Learning

要約

グラフ転移学習の具体的なケースとして、グラフ上の教師なしドメイン適応は、ラベルの豊富なソース グラフからラベルのないターゲット グラフへの知識の転移を目的としています。
ただし、トポロジと属性を含むグラフには通常、ドメイン間でかなりの差異があり、ソース グラフ内でノードのサブセットのみがラベル付けされている現実のシナリオが数多くあります。
これは、深刻なドメインのシフトとラベルの不足により、グラフ転移学習に重大な課題を課します。
これらの課題に対処するために、私たちは半教師ありグラフ ドメイン適応 (SGDA) という手法を提案します。
ドメイン シフトに対処するために、各ソース ノードに適応シフト パラメーターを追加します。これは、ノード埋め込みのクロスドメイン分布を揃えるために敵対的な方法でトレーニングされます。これにより、ラベル付きソース ノードでトレーニングされたノード分類器を次のノードに転送できます。
ターゲットノード。
さらに、ラベル不足に対処するために、ラベルのないノードに対する疑似ラベル付けを提案します。これにより、クラス重心に対する相対位置に基づいてノードの事後影響を測定することで、ターゲット グラフ上の分類が向上します。
最後に、公的にアクセス可能なさまざまなデータセットに対する広範な実験により、さまざまな実験設定における提案された SGDA の有効性が検証されます。

要約(オリジナル)

As a specific case of graph transfer learning, unsupervised domain adaptation on graphs aims for knowledge transfer from label-rich source graphs to unlabeled target graphs. However, graphs with topology and attributes usually have considerable cross-domain disparity and there are numerous real-world scenarios where merely a subset of nodes are labeled in the source graph. This imposes critical challenges on graph transfer learning due to serious domain shifts and label scarcity. To address these challenges, we propose a method named Semi-supervised Graph Domain Adaptation (SGDA). To deal with the domain shift, we add adaptive shift parameters to each of the source nodes, which are trained in an adversarial manner to align the cross-domain distributions of node embedding, thus the node classifier trained on labeled source nodes can be transferred to the target nodes. Moreover, to address the label scarcity, we propose pseudo-labeling on unlabeled nodes, which improves classification on the target graph via measuring the posterior influence of nodes based on their relative position to the class centroids. Finally, extensive experiments on a range of publicly accessible datasets validate the effectiveness of our proposed SGDA in different experimental settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google