通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。
Apr, 2024
通过双重对抗学习的方法，本文提出了 Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。
Dec, 2023
该论文研究了如何对社交媒体上的帖子进行分类，提出了一种新模型，基于对抗学习进行领域自适应，并依据基于图的半监督学习来利用未标记数据，实验表明与几个基准系统相比具有显著优势。
May, 2018
本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。
Mar, 2019
图领域适应性研究中，本文提出了一种新颖的、基于理论原则的方法，即配对校准（Pair-Align），以解决图结构的移动性问题。通过减轻条件结构移位和标签移位，Pair-Align 利用边权重重新校准相邻节点之间的影响，并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能，包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用，我们还创建了迄今为止最大的 GDA 研究数据集，并在合成和其他现有基准数据集上展示了强大的性能。
Mar, 2024
图领域适应（Graph Domain Adaptation）是一种有效的跨图知识转移范式，该论文详细调查了图领域适应的研究现状、挑战、代表性工作以及展望，并提供了第一份图领域适应调查报告。
Feb, 2024
本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。
Feb, 2020
本文提出一种跨域学习的视频分类器，通过 Adversarial Bipartite Graph 模型学习源域与目标域之间的交互，增强模型的泛化能力，并在半监督学习中扩展了该模型，实验结果表明该方法在视频识别任务上优于当前最佳方法。
Jul, 2020
本文提出了一种名为 AGRA 的新颖的敌对图表示适应框架，将图表示传播与敌对学习结合起来，实现跨域整体 - 局部特征共适应，并探索它们的相互作用，使 AGRA 框架能够自适应地学习细粒度的不变特征，从而促进跨域表情识别。
Aug, 2020
我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。