无源无监督图域适应
机器学习
2023-12-06 v4 人工智能
摘要
图神经网络（GNNs）在多种图结构数据任务上取得了巨大成功，其中节点分类是一项基本任务。无监督图域适应（UGDA）展现了其在降低节点分类标注成本方面的实用价值。它利用来自一个带标签图（即源域）的知识来处理另一无标签图（即目标域）上的相同任务。大多数现有UGDA方法严重依赖源域中的带标签图。它们利用源域标签作为监督信号，并在源图与目标图上联合训练。然而，在一些真实场景中，由于隐私问题源图不可访问。因此，我们提出一种称为无源无监督图域适应（SFUGDA）的新场景。在该场景中，我们能从源域利用的唯一信息是为训练好的源模型，而不暴露源图及其标签。因此，现有UGDA方法不再可行。为解决这一实际场景中的非平凡适应挑战，我们提出一种称为SOGA的模型无关算法用于域适应，以充分挖掘源模型的判别能力同时保持目标图上结构邻近性的一致性。我们从理论与实验上证明了所提算法的有效性。在四个跨域任务上的实验结果展示了Macro-F1分数与Macro-AUC的一致提升。
引用
@article{arxiv.2112.00955,
title = {Source Free Unsupervised Graph Domain Adaptation},
author = {Haitao Mao and Lun Du and Yujia Zheng and Qiang Fu and Zelin Li and Xu Chen and Shi Han and Dongmei Zhang},
journal= {arXiv preprint arXiv:2112.00955},
year = {2023}
}
备注
12 pages, 6 figures