成对对齐改进图域自适应
机器学习
2024-06-06 v2
摘要
基于图的方法在许多现实世界应用中对于互联对象的标签推断至关重要，但如果用于模型训练的图与用于测试的图存在显著差异，往往会遇到泛化挑战。本研究深入探讨了图域自适应（GDA），以解决图数据分布偏移的独特复杂性，其中互联数据点经历特征、标签以及特别是连接模式的偏移。我们提出了一种新颖的、具有理论依据的方法——成对对齐（Pair-Align），通过减轻条件结构偏移（CSS）和标签偏移（LS）来应对图结构偏移。Pair-Align 利用边权重重新校准相邻节点间的影响以处理 CSS，并利用标签权重调整分类损失以处理 LS。我们的方法在现实世界应用中表现出卓越的性能，包括社交网络中的区域偏移节点分类，以及粒子对撞实验中的堆积消除任务。对于第一个应用，我们还整理了迄今为止最大的 GDA 研究数据集。我们的方法在合成数据和其他现有基准数据集中均显示出强劲的性能。
引用
@article{arxiv.2403.01092,
title = {Pairwise Alignment Improves Graph Domain Adaptation},
author = {Shikun Liu and Deyu Zou and Han Zhao and Pan Li},
journal= {arXiv preprint arXiv:2403.01092},
year = {2024}
}
备注
ICML 2024. Our code and data are available at: https://github.com/Graph-COM/Pair-Align