图协调：用于增强图结构数据域迁移的降噪与核范数 Wasserstein 适应
机器学习
2023-12-14 v2
摘要
图结构数据广泛存在于众多领域中，但标注实例的稀缺阻碍了许多场景下深度学习的有效利用。传统的图无监督域适应（UDA）策略主要依赖对抗学习和伪标注。这些方法未能有效利用图判别特征，导致类不匹配与不可靠的标签质量。为应对这些障碍，我们开发了降噪与核范数 Wasserstein 适应网络（DNAN）。DNAN 采用核范数 Wasserstein 差异（NWD），可同时实现域对齐与类区分。DNAN 还通过一个变分图自编码器集成降噪机制，以缓解数据噪声。该降噪机制有助于捕获源域和目标域的本质特征，提升域适应过程的鲁棒性。我们的综合实验表明，DNAN 在标准图分类 UDA 基准上优于最先进（state-of-the-art）方法。
引用
@article{arxiv.2301.12361,
title = {Graph Harmony: Denoising and Nuclear-Norm Wasserstein Adaptation for Enhanced Domain Transfer in Graph-Structured Data},
author = {Mengxi Wu and Mohammad Rostami},
journal= {arXiv preprint arXiv:2301.12361},
year = {2023}
}