DSBD：用于图域自适应的双对齐结构基元蒸馏
机器学习
2026-04-06 v1
摘要
图域自适应（GDA）旨在将知识从有标签的源图迁移到无标签的目标图，在分布偏移下进行。然而，现有方法大多以特征为中心，忽略了结构差异，这在拓扑发生显著偏移时尤为有害。这种差异会同时改变几何关系和谱特性，导致图神经网络（GNN）的不可靠迁移。为解决这一局限，我们提出了用于GDA的双对齐结构基元蒸馏（DSBD）框架，该框架明确建模并适应跨域的结构变化。DSBD通过合成连续概率原型图构建可微的结构基元，使得可以在图拓扑上进行基于梯度的优化。该基元在源域监督下学习以保持语义判别能力，同时通过双对齐目标显式对齐到目标域。具体而言，几何一致性通过置换不变拓扑矩匹配来强制满足，谱一致性通过狄利克雷能量校准来实现，从而联合捕捉跨域的结构特征。此外，我们引入了一种解耦推理范式，通过在蒸馏的结构基元上训练新GNN来缓解源域特定的结构偏差。在图和图像基准上的广泛实验表明，DSBD持续优于最先进方法。
引用
@article{arxiv.2604.03154,
title = {DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation},
author = {Yingxu Wang and Kunyu Zhang and Jiaxin Huang and Mengzhu Wang and Mingyan Xiao and Siyang Gao and Nan Yin},
journal= {arXiv preprint arXiv:2604.03154},
year = {2026}
}