重新思考无监督图域适应中的传播机制

无监督图域适应 (UGDA) 旨在将知识从有标记的源图转移到无标记的目标图，以解决图域之间的分布偏移。先前的工作主要侧重于在图神经网络 (GNNs) 学习到的表示空间中对齐源图和目标图的数据。然而，GNNs 固有的泛化能力在很大程度上被忽视了。受我们实证分析的启发，我们重新评估了 GNNs 在图域适应中的作用，并揭示了 GNNs 中的传播过程在适应不同图域时的关键作用。我们对 UGDA 提供了全面的理论分析，并推导了多层 GNNs 的泛化界。通过为 k 层 GNNs 制定 GNN Lipschitz 条件，我们表明，通过在源图中移除传播层并在目标图中堆叠多个传播层，可以使目标风险界更紧。基于上述实证和理论分析，我们提出了一种简单而有效的图域适应方法，称为 A2GNN。通过在真实世界数据集上的大量实验，我们证明了所提出的 A2GNN 框架的有效性。