图学习的渐进域适应
机器学习
2026-05-14 v4
摘要
现有机器学习文献缺乏能够处理大规模分布迁移的图基域适应技术，主要由于难以模拟从源域到目标域的连贯演化路径。为此，我们提出图渐进域适应 (GGDA) 框架，通过构建紧凑域序列来最小化适应期间的信息损失。我们的 approach 从高效生成的知识保留中间图开始，这些中间图基于 Fused Gromov-Wasserstein (FGW) 度量。随后，在此桥接数据池上构建 GGDA 域序列，通过一种新颖的顶点基进展方式实现，其中包括选择“接近”的顶点并进行自适应域推进，以增强跨域的可转移性。理论上，我们的框架为难以计算的跨域 Wasserstein 距离 提供可实现的上界和下界，使其能够灵活调整以实现最佳域形成。广泛的实验在多种迁移场景下都表明了 GGDA 框架的卓越性能。
引用
@article{arxiv.2501.17443,
title = {Gradual Domain Adaptation for Graph Learning},
author = {Pui Ieng Lei and Ximing Chen and Yijun Sheng and Yanyan Liu and Zhiguo Gong and Qiang Yang},
journal= {arXiv preprint arXiv:2501.17443},
year = {2026}
}
备注
Accepted by ACM Trans. Intell. Syst. Technol. (https://doi.org/10.1145/3815185)