DELTA：面向主动图域自适应的拓扑不确定性双重一致性探索
机器学习
2025-05-16 v2 社会与信息网络
摘要
图域自适应最近实现了跨不同图的知识迁移。然而，由于缺乏目标图的语义信息，其在目标图上的性能仍远未令人满意。为解决这一问题，我们研究了主动图域自适应问题，该问题在目标图上选择少量信息量大的节点进行额外标注。由于复杂的拓扑关系以及图间的分布差异，该问题极具挑战性。本文提出了一种名为“拓扑不确定性双重一致性探索”（DELTA）的新方法，用于主动图域自适应。我们的DELTA由一个面向边的图子网络和一个面向路径的图子网络组成，它们能从互补的角度探索拓扑语义。具体而言，面向边的图子网络利用消息传递机制学习邻域信息，而面向路径的图子网络则从子结构中探索高阶关系。为联合学习这两个子网络，我们考虑子网络间的一致性，粗略地选择信息量大的候选节点。然后，我们基于节点度数从其K跳子图中聚合局部语义，以进行拓扑不确定性估计。为克服潜在的分布偏移，我们比较目标节点及其对应的源节点，计算差异分数，作为精细选择的额外组成部分。在基准数据集上的大量实验表明，DELTA优于多种最先进的方法。DELTA的代码实现可在https://github.com/goose315/DELTA获取。
引用
@article{arxiv.2409.08946,
title = {DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation},
author = {Pengyun Wang and Yadi Cao and Chris Russell and Yanxin Shen and Junyu Luo and Ming Zhang and Siyu Heng and Xiao Luo},
journal= {arXiv preprint arXiv:2409.08946},
year = {2025}
}