面向图域迁移的自适应分布对齐：基于神经特征函数

图域迁移（GDA）将标记源图的知识迁移到未标记目标图，但面临复杂多维的分布性偏移。现有方法通过对手工选择的图元素（例如节点属性或结构统计量）进行对齐来减少分布性偏移，通常需要手工设计的图滤波器来提取相关特征后才能进行对齐。然而，这些方法不够灵活：它们依赖于场景特定的启发式方法，在主导性偏移在不同迁移场景中变化时难以应对。为此，我们提出了 ADAlign 框架，用于 GDA 的自适应分布对齐。不同于启发式方法，ADAlign 无需手工指定对齐准则。它自动识别每个迁移最相关的偏移，并联合对齐这些偏移，捕捉属性、结构及其依赖关系之间的相互作用。这使得 ADAlign 灵活、场景感知，且对多样化和动态演化的偏移具有鲁棒性。为实现这种自适应性，我们引入了神经谱偏差（NSD），这是一种理论上原则且可参数化的距离度量，为跨图偏移提供统一视角。NSD 利用谱域中的神经特征函数对所有阶数的特征-结构依赖关系进行编码，同时通过 minimax 范式引入可学习的频率抽样器，以针对每个任务自适应地强调最具信息量的谱分量。对 10 个数据集和 16 个迁移任务进行大规模实验表明，ADAlign 不仅超越了最先进的基线，还实现了效率提升，包括更低的内存占用和更快的训练速度。