GALA: ジグソーベースのグラフ拡散アライメントを用いたソースフリーのドメイン適応

ソースフリーのドメイン適応は、データプライバシーなど、現実世界における多数のアプリケーションを含む重要な機械学習のトピックです。既存のアプローチは主に画像や動画などのユークリッドデータに焦点を当てており、非ユークリッドグラフデータの探求はまだ少ないのが現状です。最近のグラフニューラルネットワーク（GNN）アプローチは、ソースフリー適応シナリオにおいてドメインシフトとラベル不足により深刻な性能低下を経験する可能性があります。本研究では、ソースフリーのグラフドメイン適応向けに設計された新しい手法である「グラフ拡散に基づくアライメントとジグソウ（Graph Diffusion-based Alignment with Jigsaw: GALA）」を提案します。ドメインアライメントを達成するために、GALAはターゲットデータからソーススタイルのグラフを再構築するためのグラフ拡散モデルを使用します。具体的には、スコアベースのグラフ拡散モデルがソースグラフを使用して生成的なソーススタイルを学習します。その後、事前分布からのサンプリングではなく、確率微分方程式を通じてターゲットグラフに摂動を導入し、逆過程によってソーススタイルのグラフを再構築します。再構築されたソーススタイルのグラフを市販のGNNに入力し、カリキュラムラーニングによるクラス固有の閾値を導入することで、正確で偏りのない疑似ラベルをターゲットグラフに対して生成することができます。さらに、一貫性学習を通じて汎化能力と堅牢性を向上させるために、「グラフジグソウ」という単純かつ効果的なグラフ混合戦略を開発しました。信頼できるグラフと信頼できないグラフを組み合わせることで、この戦略は一貫性学習により汎化能力と堅牢性を強化します。ベンチマークデータセットでの広範な実験により、GALAの有効性が確認されました。