基于Markov链增强图域适应的节点属性-结构转换方法
机器学习
2025-09-26 v1
摘要
图域适应在标签稀缺的不同图域之间 garnered significant attention。传统方法主要关注对原始图结构上的节点属性进行变换，并尝试跨网络对变换后的节点特征分布进行对齐。然而，这些方法往往难以处理不同图域之间潜在的结构异质性问题，导致分布对齐效果不佳。为此，我们提出了一种新型框架——结构-属性转换结合Markov链（Structure-Attribute Transformation with Markov Chain, SATMC），该框架通过图结构和属性变换sequentially地实现跨网络的分布对齐。为缓解域私有信息的负面影响并进一步提升模型的泛化能力，SATMC引入了域私有信息降解机制和经验Wasserstein距离。理论证明表明，SATMC在跨网络节点分类任务中可实现比现有图域适应方法更紧致的误差界。在九组公开的跨域数据集上进行的广泛实验表明，SATMC在跨网络节点分类任务中优于当前主流方法。代码已公开于 https://github.com/GiantZhangYT/SATMC。
引用
@article{arxiv.2509.21059,
title = {Structure-Attribute Transformations with Markov Chain Boost Graph Domain Adaptation},
author = {Zhen Liu and Yongtao Zhang and Shaobo Ren and Yuxin You},
journal= {arXiv preprint arXiv:2509.21059},
year = {2025}
}
备注
11 pages,6 figures,Accepted by ACM CIKM'25