域自适应消息传递图神经网络
机器学习
2023-10-18 v2
摘要
跨网络节点分类(CNNC)旨在利用带丰富标签的源网络中的知识,对标签匮乏的目标网络中的节点进行分类,近来受到越来越多的关注。为应对 CNNC,我们提出一种域自适应消息传递图神经网络(DM-GNN),它将图神经网络(GNN)与条件对抗域自适应相整合。DM-GNN 能够学习可用于节点分类且具有跨网络可迁移性的信息性表示。首先,通过双特征提取器构建 GNN 编码器,将自身嵌入学习与邻居嵌入学习分离,从而联合捕捉相连节点间的共性与判别性。其次,提出一种标签传播节点分类器,通过结合节点自身预测与邻居预测来精炼每个节点的标签预测。此外,针对带标签的源网络设计了一种标签感知传播方案,以促进类内传播并避免类间传播,从而产生具标签判别性的源嵌入。第三,执行条件对抗域自适应,在对抗域自适应过程中考虑经邻居精炼的类别标签信息,从而更好地匹配跨网络的类条件分布。与十一种 SOTA 方法的对比证明了所提 DM-GNN 的有效性。
引用
@article{arxiv.2308.16470,
title = {Domain-adaptive Message Passing Graph Neural Network},
author = {Xiao Shen and Shirui Pan and Kup-Sze Choi and Xi Zhou},
journal= {arXiv preprint arXiv:2308.16470},
year = {2023}
}
备注
This version rectifies the numerical inaccuracies of Table 3 and 4 in the printed version (https://doi.org/10.1016/j.neunet.2023.04.038). See our corrigendum at https://doi.org/10.1016/j.neunet.2023.09.026