通过链接预测桥接源域与目标域以实现图上的无监督域适应

图神经网络 (GNN) 在图的节点分类上展现了出色的能力。然而，GNN 的成功依赖于大量标注数据，而获取高质量标签成本高昂且具有挑战性，特别是对于新出现的领域。因此，无监督域适应 (UDA) 受到越来越多的关注，它在有标签的源图上训练分类器并将其适应到无标签的目标图上。已有多种方法被提出以缓解源图与目标图之间的分布偏移，从而促进分类器适应。然而，其中大多数仅采用为独立同分布数据开发的现有 UDA 技术来获取图的域不变节点嵌入，并未在适应过程中充分考虑 GNN 的图结构和消息传递机制，且在域间存在标签分布偏移时会失效。在本文中，我们提出了一个新颖的框架，采用链接预测来连接源图与目标图之间的节点，这可以促进源图与目标图之间的消息传递，并增强目标节点使其具有与源域“同分布”的邻域。该策略在输入层面修改目标图，以减少其在嵌入空间中与源域的偏差，并且对跨域不成比例的标签分布不敏感。为防止目标图中判别信息的丢失，我们进一步设计了一个新颖的保形学习目标，它与重构损失和适应损失一起指导边插入模块的学习。在真实世界数据集上的实验结果证明了我们框架的有效性。