USBD：面向无源图域自适应的通用结构基蒸馏
机器学习
2026-02-10 v1
摘要
SF-GDA（无源图域自适应）对于跨图数据集的隐私保护知识迁移至关重要。尽管近期工作引入了结构信息，但它们隐式地将自适应过程建立在源训练GNN的平滑性先验之上，从而限制了其对结构迥异的目标域的泛化能力。在显著的拓扑偏移下，这种依赖关系成为关键瓶颈，此时源模型会将源域中未见的不同拓扑模式误判为噪声，导致基于伪标签的自适应不可靠。为克服这一局限，我们提出了通用结构基蒸馏（USBD）框架，该框架将范式从自适应一个有偏模型转变为为SF-GDA学习一个通用结构基。我们的核心思想并非将偏置的源模型适配到特定目标域，而是构建一个与结构无关的基，主动覆盖所有潜在拓扑模式的完整谱。具体而言，USBD采用双层优化框架将源数据集蒸馏为一个紧凑的结构基。通过强制原型跨越整个狄利克雷能量谱，学习到的基显式地捕获了从低频簇到高频链的多样拓扑模式，甚至包括源域中不存在的模式。这确保了学习到的基创建一个全面的结构覆盖，能够处理具有不同结构的目标域。在推理时，我们引入了一种谱感知集成机制，该机制根据目标图的谱指纹动态激活最优的原型组合。在基准测试上的大量实验表明，USBD显著优于最先进的方法，尤其是在存在严重结构偏移的场景中，同时通过将自适应成本与目标数据规模解耦，实现了卓越的计算效率。
引用
@article{arxiv.2602.08431,
title = {USBD: Universal Structural Basis Distillation for Source-Free Graph Domain Adaptation},
author = {Yingxu Wang and Kunyu Zhang and Mengzhu Wang and Siyang Gao and Nan Yin},
journal= {arXiv preprint arXiv:2602.08431},
year = {2026}
}