SA-GDA：面向图领域自适应的谱增强方法
机器学习
2025-07-16 v2 人工智能
摘要
图神经网络（GNNs）在图相关任务中取得了令人瞩目的效果。然而，大多数GNN主要在信号域的有监督训练情况下进行研究，这需要大量特定于任务的标签，并且难以迁移到其他领域。目前，关注图节点分类领域自适应的工作较少。它们主要侧重于对齐源域和目标域的特征空间，而没有考虑不同类别之间的特征对齐，这可能导致目标域中的分类混淆。然而，由于目标域标签的稀缺性，我们无法直接对不同领域的类别进行有效对齐，这使得问题更具挑战性。在本文中，我们提出了用于图节点分类的“面向图领域自适应的谱增强方法（Spectral Augmentation for Graph Domain Adaptation, SA-GDA）”。首先，我们观察到不同领域中具有相同类别的节点在谱域中表现出相似的特征，而不同类别则差异很大。基于这一观察，我们在谱域中对齐不同领域的类别特征空间，而不是对齐整个特征空间，并且我们从理论上证明了所提出的SA-GDA方法的稳定性。然后，我们开发了一个双图卷积网络，以联合利用局部和全局一致性进行特征聚合。最后，我们利用一个带有对抗学习子模块的领域分类器来促进不同领域图之间的知识迁移。在多种公开数据集上的实验结果揭示了我们的SA-GDA方法的有效性。
引用
@article{arxiv.2408.09189,
title = {SA-GDA: Spectral Augmentation for Graph Domain Adaptation},
author = {Jinhui Pang and Zixuan Wang and Jiliang Tang and Mingyan Xiao and Nan Yin},
journal= {arXiv preprint arXiv:2408.09189},
year = {2025}
}