平滑性至关重要：一种简单有效的无监督图域适应方法
机器学习
2025-01-17 v3 人工智能
摘要
无监督图域适应(UGDA)旨在通过将有标签的源图知识迁移到给定的无标签目标图，来弥合域之间的分布偏移。现有的UGDA方法主要关注对齐图神经网络(GNN)在跨域潜在空间中学习的特征，常常忽略结构偏移，导致在处理结构复杂的迁移场景时效果有限。鉴于GNN对局部结构特征的敏感性，源图与目标图之间即使微小的差异也可能导致节点嵌入的显著偏移，从而降低知识迁移的有效性。为解决此问题，我们提出了一种名为目标域结构平滑(TDSS)的UGDA新方法。TDSS是一种简单有效的方法，旨在直接在目标图上进行结构平滑，从而缓解结构分布偏移并确保节点表示的一致性。具体来说，通过将平滑技术与邻域采样相结合，TDSS在保持目标图结构一致性的同时，减轻了过平滑的风险。我们的理论分析表明，TDSS通过提高模型平滑性有效降低了目标风险。在三个真实世界数据集上的实验结果表明，TDSS优于最新的基线方法，在六个迁移场景中取得了显著改进。代码可在https://github.com/cwei01/TDSS获取。
引用
@article{arxiv.2412.11654,
title = {Smoothness Really Matters: A Simple Yet Effective Approach for Unsupervised Graph Domain Adaptation},
author = {Wei Chen and Guo Ye and Yakun Wang and Zhao Zhang and Libang Zhang and Daixin Wang and Zhiqiang Zhang and Fuzhen Zhuang},
journal= {arXiv preprint arXiv:2412.11654},
year = {2025}
}
备注
11 pages, Accpected by AAAI2025