基于图卷积对抗域适应的图迁移学习
机器学习
2022-08-02 v4 社会与信息网络
机器学习
摘要
本文研究跨网络节点分类问题，以克服单一网络中标记数据不足的情况。其旨在利用部分标记源网络中的标签信息，辅助在完全无标记或部分标记的目标网络中进行节点分类。由于跨网络的域偏移，现有的单网络学习方法无法解决该问题。一些多网络学习方法严重依赖跨网络连接的存在，因此不适用于该问题。为解决此问题，我们借助对抗域适应和图卷积技术，提出了一种新颖的图迁移学习框架 AdaGCN。它由两个组件构成：一个半监督学习组件和一个对抗域适应组件。前者旨在利用源网络和目标网络的给定标签信息学习具有类别判别性的节点表示，而后者有助于缓解源域与目标域之间的分布差异以促进知识迁移。在真实世界数据集上的大量实证评估表明，AdaGCN 能够在源网络标签率较低且源域与目标域差异较大的情况下成功迁移类别信息。用于复现实验结果的源代码可在 https://github.com/daiquanyu/AdaGCN 获取。
引用
@article{arxiv.1909.01541,
title = {Graph Transfer Learning via Adversarial Domain Adaptation with Graph Convolution},
author = {Quanyu Dai and Xiao-Ming Wu and Jiaren Xiao and Xiao Shen and Dan Wang},
journal= {arXiv preprint arXiv:1909.01541},
year = {2022}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering