图迁移学习中的半监督域适应
机器学习
2024-10-01 v2
摘要
作为图迁移学习的一种具体情形，图上的无监督域适应旨在将知识从标签丰富的源图迁移到无标签的目标图。然而，具有拓扑与属性的图通常存在显著的跨域差异，并且在众多真实场景中源图中仅有一小部分节点被标注。这由于严重的域偏移与标签稀缺给图迁移学习带来了关键挑战。为应对这些挑战，我们提出一种名为半监督图域适应（SGDA）的方法。为处理域偏移，我们向每个源节点添加自适应偏移参数，以对抗方式训练这些参数以对齐节点嵌入的跨域分布，从而在带标签源节点上训练出的节点分类器可迁移至目标节点。此外，为应对标签稀缺，我们提出对无标签节点进行伪标注，通过基于节点相对类质心的位置度量其后验影响，从而改进目标图上的分类。最后，在一系列公开数据集上的大量实验验证了我们所提 SGDA 在不同实验设置下的有效性。
引用
@article{arxiv.2309.10773,
title = {Semi-supervised Domain Adaptation in Graph Transfer Learning},
author = {Ziyue Qiao and Xiao Luo and Meng Xiao and Hao Dong and Yuanchun Zhou and Hui Xiong},
journal= {arXiv preprint arXiv:2309.10773},
year = {2024}
}
备注
Accepted by IJCAI 2023