DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation

要約

最近、グラフ ドメインの適応により、異なるグラフ間での知識の伝達が可能になりました。
ただし、ターゲット グラフのセマンティック情報がなければ、ターゲット グラフのパフォーマンスは依然として満足のいくものとは言えません。
この問題に対処するために、追加の注釈のためにターゲット グラフ上の少量の情報ノードを選択するアクティブ グラフ ドメイン適応の問題を研究します。
この問題は、複雑なトポロジ関係とグラフ間の分布の不一致により、非常に困難です。
この論文では、アクティブなグラフ ドメイン適応のためのトポロジカル不確実性を伴うデュアル整合性の探索 (DELTA) と呼ばれる新しいアプローチを提案します。
私たちの DELTA は、エッジ指向のグラフ サブネットワークとパス指向のグラフ サブネットワークで構成されており、相補的な観点からトポロジカル セマンティクスを探索できます。
特に、エッジ指向のグラフ サブネットワークはメッセージ パッシング メカニズムを利用して近隣情報を学習しますが、パス指向のグラフ サブネットワークは部分構造から高次の関係を探索します。
2 つのサブネットワークから共同で学習するために、2 つのサブネットワーク間の一貫性を考慮して、有益な候補ノードを大まかに選択します。
次に、トポロジカルな不確実性を推定するために、ノード次数に基づいて K ホップ サブグラフからローカル セマンティクスを集約します。
潜在的な分布シフトを克服するために、ターゲット ノードとそれに対応するソース ノードを、詳細な選択のための追加コンポーネントとして不一致スコアについて比較します。
ベンチマーク データセットに対する広範な実験により、DELTA がさまざまな最先端のアプローチよりも優れたパフォーマンスを発揮することが実証されました。

要約(オリジナル)

Graph domain adaptation has recently enabled knowledge transfer across different graphs. However, without the semantic information on target graphs, the performance on target graphs is still far from satisfactory. To address the issue, we study the problem of active graph domain adaptation, which selects a small quantitative of informative nodes on the target graph for extra annotation. This problem is highly challenging due to the complicated topological relationships and the distribution discrepancy across graphs. In this paper, we propose a novel approach named Dual Consistency Delving with Topological Uncertainty (DELTA) for active graph domain adaptation. Our DELTA consists of an edge-oriented graph subnetwork and a path-oriented graph subnetwork, which can explore topological semantics from complementary perspectives. In particular, our edge-oriented graph subnetwork utilizes the message passing mechanism to learn neighborhood information, while our path-oriented graph subnetwork explores high-order relationships from substructures. To jointly learn from two subnetworks, we roughly select informative candidate nodes with the consideration of consistency across two subnetworks. Then, we aggregate local semantics from its K-hop subgraph based on node degrees for topological uncertainty estimation. To overcome potential distribution shifts, we compare target nodes and their corresponding source nodes for discrepancy scores as an additional component for fine selection. Extensive experiments on benchmark datasets demonstrate that DELTA outperforms various state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google