协作以适应：基于双向适应的无源图领域自适应
机器学习
2024-03-05 v1 人工智能
摘要
无监督图领域自适应（UGDA）已成为一种实用的解决方案，用于将知识从标签丰富的源图迁移到完全无标签的目标图。然而，大多数方法需要带标签的源图来提供监督信号，而在现实场景中，由于法规和隐私问题，这可能无法获取。在本文中，我们探索了无源无监督图领域自适应的场景，该场景试图在不访问带标签源图的情况下解决领域自适应问题。具体而言，我们提出了一种名为 GraphCTA 的新范式，它通过一系列过程协作执行模型自适应和图自适应：(1) 结合局部和全局信息，基于目标图中节点的邻域预测进行模型自适应；(2) 通过邻域对比学习更新图结构和节点属性以执行图自适应；(3) 更新后的图作为输入促进后续的模型自适应迭代，从而在模型自适应和图自适应之间建立协作循环。我们在各种公开数据集上进行了全面实验。实验结果表明，我们提出的模型以较大优势优于近期的无源基线方法。
引用
@article{arxiv.2403.01467,
title = {Collaborate to Adapt: Source-Free Graph Domain Adaptation via Bi-directional Adaptation},
author = {Zhen Zhang and Meihan Liu and Anhui Wang and Hongyang Chen and Zhao Li and Jiajun Bu and Bingsheng He},
journal= {arXiv preprint arXiv:2403.01467},
year = {2024}
}
备注
Accepted by WWW-2024