修改数据能否解决图域适应问题？
机器学习
2024-07-30 v1 社会与信息网络
摘要
图神经网络（GNN）在诸多图分析任务中展现出显著的成功，但由于分布迁移，其实际效果往往受到限制，限制了其在不同环境或领域之间进行知识迁移的能力。最近引入了无监督图域适应（UGDA）以解决这一问题。UGDA旨在从带标签的源图将知识传递到无标签的目标图。当前的UGDA工作主要集中在模型中心方法，例如采用域不变学习策略或设计模型架构。然而，我们的批判性检视揭示了这些模型中心方法的局限性，而数据中心方法通过修改源图来实现，却被证明具有相当大的潜力。这一洞察激励我们从数据中心视角探索UGDA。通过重新审视UGDA的理论泛化界限，我们识别出两种数据中心原则：对齐原则和尺度恢复原则。遵循这些原则，我们提出GraphAlign——一种新的UGDA方法，该方法生成一个小且可迁移的图。仅在该新图上使用经验风险最小化（ERM）进行GNN训练，GraphAlign能在目标图上取得卓越的性能。广泛的实验在各种迁移场景下表明，GraphAlign通过平均提升2.16%显著优于最佳基线方法，在生成的图上训练时，仅需原始训练图的0.25%~1%的规模。
关键词
引用
@article{arxiv.2407.19311,
title = {Can Modifying Data Address Graph Domain Adaptation?},
author = {Renhong Huang and Jiarong Xu and Xin Jiang and Ruichuan An and Yang Yang},
journal= {arXiv preprint arXiv:2407.19311},
year = {2024}
}