结构重加权改进图域适应
机器学习
2023-06-07 v1 人工智能
社会与信息网络
摘要
在许多现实应用中，用于训练和测试的图结构数据存在分布差异，例如在高能物理（HEP）中，用于训练的模拟数据可能与真实实验不符。图域适应（GDA）是用于应对这些差异的方法。然而，当前GDA主要通过对齐由跨训练与测试域共享的单一图神经网络编码器输出的节点表示分布来工作，这常导致次优解。本文考察了由图结构或节点属性引起的分布偏移的不同影响，并识别出一种称为条件结构偏移（CSS）的新型偏移，现有GDA方法处理该偏移被证明是次优的。我们提出一种称为结构重加权（StruRW）的新方法来解决此问题，并在合成图、四个基准数据集以及HEP中的一个新应用上进行了测试。在图结构偏移较大的设定下，StruRW相较基线有显著性能提升；在节点属性偏移占主导时也有合理性能提升。
引用
@article{arxiv.2306.03221,
title = {Structural Re-weighting Improves Graph Domain Adaptation},
author = {Shikun Liu and Tianchun Li and Yongbin Feng and Nhan Tran and Han Zhao and Qiu Qiang and Pan Li},
journal= {arXiv preprint arXiv:2306.03221},
year = {2023}
}
备注
ICML 2023, Codes: https://github.com/Graph-COM/StruRW