通过去噪目标图提升图神经网络在域适应任务中的性能
机器学习
2025-12-15 v2
摘要
我们探讨了图结构域适应中的节点分类任务，该任务使用源图和目标图的结构信息以及源标签，以增强图神经网络（GNN）在目标图上的泛化能力。结构域迁移经常发生，尤其是在图数据以不同时间或来自不同区域收集时，导致GNN在目标图上的表现不佳。意外地，我们发现，仅通过在目标图上添加用于去噪图边的辅助损失函数，即可显著提高GNN在目标图上的性能。基于这一洞察，我们提出了我们的框架GraphDeT，该框架将这一辅助边任务集成到GNN训练中，用于域适应下的节点分类。我们的理论分析将该辅助边任务与图泛化界进行关联，表明该辅助任务可施加约束，从而紧密界限并提升泛化性能。实验结果表明，在处理时间和区域域图迁移时，GraphDeT的性能优于现有基线方法。
引用
@article{arxiv.2512.06236,
title = {Empowering GNNs for Domain Adaptation via Denoising Target Graph},
author = {Haiyang Yu and Meng-Chieh Lee and Xiang song and Qi Zhu and Christos Faloutsos},
journal= {arXiv preprint arXiv:2512.06236},
year = {2025}
}