重新思考图谱域适应：从谱对比视角
机器学习
2025-10-16 v1
摘要
图神经网络（GNN）在各类领域取得了显著的成功，但由于结构分布发生显著变动且 insufficiently 探索可迁移模式，常在域适应方面受限。一个主要原因是传统方法不区分对待全局与局部模式，导致多层GNN后某些局部细节可能被违反。我们的关键洞见是，通过谱分析更好地理解域偏移，其中低频分量常编码域无关的全局模式，高频分量捕获域特定的局部细节。因此，我们提出了FracNet（Frequency Aware Contrastive Graph Network），通过两个协同模块分解原图为高频和低频分量并执行频率感知域适应。此外，通过融合对比学习框架，可改善域适应的模糊边界问题。除了实际意义外，我们还提供严格的理论证明，表明FracNet的优越性。大量实验进一步表明其在SOTA方法上显著提升。
引用
@article{arxiv.2510.13254,
title = {Rethinking Graph Domain Adaptation: A Spectral Contrastive Perspective},
author = {Haoyu Zhang and Yuxuan Cheng and Wenqi Fan and Yulong Chen and Yifan Zhang},
journal= {arXiv preprint arXiv:2510.13254},
year = {2025}
}
备注
This paper is accepted by ECML-PKDD 2025