基于双重重编程的无监督开集图域迁移

无监督图域迁移已成为从完全标记的源图迁移知识到未标记的目标图的有前景的范式。现有的图域迁移模型主要关注封闭集设置，即源域和目标域共享相同的标签空间。然而，这一假设在实际场景中可能并不实用，因为目标域可能包含源域中不存在的类别。在本文中，我们研究了无监督开集图域迁移问题，即旨在正确地将目标节点分类到已知类别中，同时识别先前未出现的未知节点类型。为此，我们提出一种新框架 GraphRTA，通过在图和模型两侧进行重编程来实现。具体来说，我们通过修改目标图的结构和节点特征来重编程图，从而促进已知类别和未知类别之间的更好分离。同时，我们还通过剪枝域特定参数来减少对源图的偏见，同时保留跨图可迁移模式的关键参数。此外，我们将分类器扩展一个额外维度用于未知类别，从而消除在开集识别中手动指定阈值的需求。针对多个公开数据集进行的全面实验表明，我们提出的模型能够比最近的当前最先进基线实现满意的性能。我们的源代码和数据集已公开于 https://github.com/cszhangzhen/GraphRTA。