GraphDeT: Denoising‑Ansatz verbessert GNNs bei Domain‑Adaptation von Graphen

Eine neue Studie aus dem arXiv‑Repository präsentiert GraphDeT, ein innovatives Framework, das Graph Neural Networks (GNNs) bei der Klassifizierung von Knoten in domänenübergreifenden Graphen deutlich leistungsfähiger macht. Durch die gezielte Denoising‑Aufgabe für die Kanten des Zielgraphen wird die Generalisierung der Modelle verbessert, ohne zusätzliche Daten zu benötigen.

GraphDeT nutzt einen zusätzlichen Verlustterm, der die Rauschunterdrückung der Zielgraphkanten erzwingt. Theoretisch wird gezeigt, dass dieser Ansatz die Generalisierungsgrenze der GNNs mit dem Wasserstein‑Distance‑Metrik verkleinert, was zu einer stärkeren Bindung zwischen Trainings- und Testdaten führt. Die Methode ist besonders effektiv bei strukturellen Domain‑Shifts, die häufig auftreten, wenn Graphdaten zu unterschiedlichen Zeiten oder aus verschiedenen Regionen stammen.

Experimentelle Ergebnisse belegen, dass GraphDeT die Leistung bei Zeit‑ und regionalen Domain‑Shifts über alle bisherigen Baselines hinaus steigert. Die Arbeit demonstriert damit, dass ein einfacher, aber gezielter Denoising‑Schritt die Robustheit von GNNs in realen Anwendungsfällen signifikant erhöht.