基于对比学习与极小极大熵的图半监督域适应
机器学习
2024-04-05 v2
摘要
由于数据标注成本高，图中标签稀缺在真实应用中十分常见。为此，图上的半监督域适应（SSDA）旨在利用带标签的源图知识，辅助在标签有限的目标图上进行节点分类。SSDA任务需要克服源图与目标图之间的域差距。然而，迄今为止，这一具有挑战性的研究问题尚未被现有面向跨图节点分类的方法正式考虑。本文提出一种称为SemiGCL的新方法，以处理图的半监督域适应问题，该方法结合图对比学习（Graph Contrastive Learning）与极小极大熵训练。SemiGCL通过对比从图的局部视图与全局视图学到的表示来生成信息丰富的节点表示。此外，SemiGCL以目标图未标记节点的熵损失进行对抗式优化，以减小域差异。在基准数据集上的实验结果表明，SemiGCL在SSDA任务上优于最先进的基线方法。SemiGCL的源代码公开于 https://github.com/JiarenX/SemiGCL。
引用
@article{arxiv.2309.07402,
title = {Semi-supervised Domain Adaptation on Graphs with Contrastive Learning and Minimax Entropy},
author = {Jiaren Xiao and Quanyu Dai and Xiao Shen and Xiaochen Xie and Jing Dai and James Lam and Ka-Wai Kwok},
journal= {arXiv preprint arXiv:2309.07402},
year = {2024}
}