从噪声到原生：基于LLM的测试时图域适应图恢复
人工智能
2025-10-10 v1
摘要
图域适应（GDA）因其在解决训练和测试数据之间的域迁移方面的有效性而受到广泛关注。现有图域适应方法的一个重要瓶颈是依赖源域数据，由于隐私或安全考虑，这些数据常常不可用。这一限制推动了测试时图域适应（TT-GDA）的发展，其旨在不访问源示例的情况下进行知识迁移。灵感来自大型语言模型（LLM）的生成能力，我们提出了一种新框架，将TT-GDA重新表述为生成图恢复问题，即“将目标图恢复为其干净、类似于源域状态的图”。存在两个关键挑战：（1）我们需要构建合理的图恢复过程并设计有效的编码方案，使LLM能够理解，从而弥合模态差距。（2）我们需要设计一种机制，即使没有源数据访问，也确保恢复后的图获得源域的内在特征。为确保图恢复的有效性，我们提出了GRAIL，该方法将目标图恢复为与源域良好对齐的状态。具体而言，我们首先将节点表示压缩为紧凑的潜在特征，然后使用图扩散过程来建模图恢复过程。随后，量化模块将恢复后的特征编码为离散标记。基于此，一个LLM被微调为生成式恢复器，将一个“噪声”目标图转化为一个“原生”图。为进一步提高恢复质量，我们引入一个由专门的对齐和置信奖励引导的强化学习过程。广泛的实验表明，我们方法在各种数据集上均有效。
引用
@article{arxiv.2510.07762,
title = {From Noisy to Native: LLM-driven Graph Restoration for Test-Time Graph Domain Adaptation},
author = {Xiangwei Lv and JinLuan Yang and Wang Lin and Jingyuan Chen and Beishui Liao},
journal= {arXiv preprint arXiv:2510.07762},
year = {2025}
}