Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning

Created by
  • Haebom

作者

Yingxu Wang, Mengzhu Wang, Zhichao Huang, Suyu Liu

概要

本論文では、ソースグラフのラベルがノイズを含む現実的な状況を考慮して、グラフドメイン適応（GDA）問題を解決する新しいフレームワークであるNested Graph Pseudo-Label Refinement（NeGPR）を提案します。 NeGPRは、ノイズのあるラベルの影響を減らすために、特徴空間内の近隣の一貫性を強化する二重分岐（意味とトポロジー分岐）を事前訓練します。ドメイン間の違いを解消するために、あるブランチが信頼性の高いターゲットサンプルを選択して別のブランチの適応を導くネストされた改善メカニズムを使用して、徐々にクロスドメイン学習を可能にします。さらに、偽ラベルにノイズがあり、事前に訓練されたブランチがソースドメインのノイズラベルに過適合する可能性があるため、ノイズ認識正規化戦略を組み込むことで、ソース過適合が存在しても偽ラベルノイズの悪影響を軽減します。ベンチマークデータセットの広範な実験は、NeGPRが重大なラベルノイズの下で最先端の方法より一貫して優れた性能を示し、精度が最大12.7％向上することを示しています。

Takeaways、Limitations

•
Takeaways:
◦
ノイズのあるラベルを持つソースグラフでも、効果的なグラフドメイン適応が可能であることを示しています。
◦
ネストされた改善メカニズムとノイズ認識正規化戦略により、既存のGDA方法の限界を克服します。
◦
さまざまなグラフドメイン適応問題に適用可能な汎用的なフレームワークを提供します。
◦
実際のアプリケーション（例えば、分子特性の予測、ソーシャルネットワーク分析）でパフォーマンスの向上が期待できます。
•
Limitations:
◦
NeGPRの性能は、事前に訓練された二重分岐の設計とハイパーパラメータに敏感です。
◦
非常に複雑なグラフ構造では、計算コストが増加する可能性があります。
◦
提案されたノイズ認識正規化戦略の一般化性能に関するさらなる研究が必要です。
◦
さまざまな種類のノイズの堅牢性をさらに検証する必要があります。
👍
Made with Slashpage