面向带噪标签域适应学习的嵌套图伪标签精炼
机器学习
2025-09-09 v3 人工智能
摘要
图域适应(GDA)通过学习域无关表征来实现从带标签源图向无标签目标图的知识迁移，这在分子属性预测和社交网络分析等应用中至关重要。然而，大多数现有GDA方法依赖干净源标签的假设，而在实际场景中标注噪声普遍存在。这类噪声严重影响特征对齐，并在域迁移下降低适应性能。为此，我们提出一种针对图级域适应的新型框架——嵌套图伪标签精炼(NeGPR)。NeGPR首先通过强制执行特征空间中的邻域一致性，对预训练双分支，即语义分支和拓扑分支，以减少噪声监督的影响。为弥合域间差距，NeGPR采用嵌套精炼机制，其中一个分支挑选高置信度的目标样本来指导另一个分支的适应，从而实现渐进式的跨域学习。此外，由于伪标签可能仍含噪声且预训练分支已针对源域中的噪声标签过拟合，NeGPR引入噪声感知正则化策略。该正则化在理论上可缓解伪标签噪声的不利影响，即便存在源域过拟合，也能增强适应过程的鲁棒性。大量基准数据集上的实验表明，NeGPR在严重噪声条件下 consistently 优于当前最先进的方法，在准确率上提升最高可达12.7%。
引用
@article{arxiv.2508.00716,
title = {Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning},
author = {Yingxu Wang and Mengzhu Wang and Zhichao Huang and Suyu Liu and Nan Yin},
journal= {arXiv preprint arXiv:2508.00716},
year = {2025}
}