领域自适应展开图神经网络

在过去十年中，图神经网络 (GNNs) 在众多图机器学习任务中取得了显著进展。在现实应用中，领域偏移经常发生且新目标域往往没有标签，图领域自适应 (GDA) 方法被提出来促进从源域到目标域的知识迁移。以往处理跨域分布偏移的努力主要集中在对齐源域和目标域中由 GNNs 生成的节点嵌入分布。然而，作为 GDA 方法的核心部分，底层 GNN 架构的影响却受到有限关注。在这项工作中，我们探索了这一正交方向，即如何通过架构增强来促进 GDA。特别地，我们考虑了一类显式基于优化问题设计的 GNNs，即展开 GNNs (UGNNs)，其训练过程可以表示为双层优化。经验和理论分析表明，当从源域迁移到目标域时，UGNNs 生成的下层目标值显著增加，导致上层目标也随之增加。受此观察启发，我们提出了一种简单而有效的策略，称为级联传播 (CP)，该策略保证能降低下层目标值。CP 策略广泛适用于一般的 UGNNs，我们用三种代表性的 UGNN 架构评估了其有效性。在五个真实世界数据集上的大量实验表明，集成了 CP 的 UGNNs 优于最先进的 GDA 基线。