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

本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。

Feb, 2022

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

采用拓扑感知动态重新加权（TAR）框架，通过在几何 Wasserstein 空间中的梯度流动态调整样本权重，以提供分布鲁棒性，从而增强图数据的域外泛化性能。

Jun, 2024

图领域适应模型在跨网络学习任务中得到广泛应用，目的是传递标记或结构知识。我们提出了一个名为 OpenGDA 的基准，它提供了丰富的预处理和统一数据集以进行不同类型的任务评估，并整合了最先进的模型和标准化的端到端流程。OpenGDA 是一个用户友好、可扩展和可复制的基准，可用于评估图领域适应模型在真实世界应用中的性能和挑战。

Jul, 2023

半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

Sep, 2023

提出了一种结构敏感的图形字典嵌入 (SS-GDE) 框架，并使用 Bernoulli 抽样来调整基本图形键的子结构以适应每个输入。为了使跨图测量敏感并保持稳定，提出了多敏感性 Wasserstein 编码，通过设计多尺度注意力来产生嵌入。在多个图形分类数据集上表明了方法的优越性。

Jun, 2023

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的 CIRM 方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 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。

May, 2018

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