跨域图学习综述：进展与未来方向
机器学习
2025-11-19 v2 人工智能
摘要
图学习在挖掘和分析图数据内的复杂关系中发挥着至关重要的作用，并已广泛应用于社交、引文和电子商务网络等真实世界场景。计算机视觉（CV）和自然语言处理（NLP）中的基础模型已经展示出了对图数据同样重要的跨域能力。然而，现有的图学习方法通常难以跨域泛化。受 CV 和 NLP 近期进展的推动，跨域图学习（CDGL）作为实现真正图基础模型的有前景的一步，重新获得了关注。在本综述中，我们对现有的 CDGL 工作进行了全面的回顾和分析。我们提出了一种新的分类法，根据跨域学习到的可迁移知识的类型对现有方法进行分类：面向结构、面向特征和面向混合。基于该分类法，我们系统地总结了每个类别中的代表性方法，讨论了当前研究的关键挑战和局限性，并概述了未来研究的有前景方向。相关工作的持续更新集合可在以下地址获取：https://github.com/cshhzhao/Awesome-Cross-Domain-Graph-Learning。
引用
@article{arxiv.2503.11086,
title = {A Survey of Cross-domain Graph Learning: Progress and Future Directions},
author = {Haihong Zhao and Zhixun Li and Chenyi Zi and Aochuan Chen and Fugee Tsung and Jia Li and Jeffrey Xu Yu},
journal= {arXiv preprint arXiv:2503.11086},
year = {2025}
}