Core Concepts
グラフ学習における分布シフトの課題と解決策を探る。
Abstract
本コンテンツは、グラフ学習における分布シフトの問題に焦点を当て、異なる方法論を紹介しています。具体的には、半教師ありドメイン適応学習、非教師ありドメイン適応学習、およびテスト時グラフ変換(適応)の3つのカテゴリーに分かれています。各カテゴリーでは、特定の手法が紹介され、その概要や利点が述べられています。
Stats
GAugは異なる可能性を持つエッジ予測モジュールを使用して新しいエッジを生成します。
NCLAは自動的に多くのグラフ拡張ビューを生成し、適応的なトポロジーで隣接コントラスティブ学習を適用します。
GRANDはノード特徴量をランダムに削除し、変更された特徴量を伝播させます。
GraphCLは4種類のデータ拡張(ノード削除、エッジ摂動、属性マスキング、サブグラフサンプリング)を提供します。
Quotes
"GAPGC generates relatively reliable pseudo-labels, avoiding the severe shifts caused by the incorrect positive samples."
"GTRANS optimizes a contrastive surrogate loss to transform graph structure and node features."