Jul, 2023

OpenGDA：面向跨网络学习的图领域自适应基准

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于图形领域自适应的源自由无监督学习

    本研究提出了一个基于无监督领域自适应的节点分类方法，该方法利用了已经训练好的源模型，而不需要访问源图和其标签，实现了对无标签目标图的分类，实验结果表明该方法在四项跨领域任务中都获得了显著的改进。

    Dec, 2021

  • 图传输学习中的半监督领域自适应

    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

  • 图领域适应：挑战、进展与前景

    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

  • 无监督图领域自适应中的传播再思考

    无监督图域自适应旨在将标记的源图知识转移至未标记的目标图，以解决图域之间的分布偏移。作者重新评估了图域自适应中图神经网络的作用，并发现了传播过程在适应不同图域中的关键作用。基于经验和理论分析，作者提出了名为A2GNN的简单而有效的图域自适应方法。通过对真实数据集的广泛实验，作者证明了所提出的A2GNN框架的有效性。

    Feb, 2024

  • 合作自适应：无源图领域自适应的双向适应

    我们提出了一种名为GraphCTA的新范式，通过一系列步骤：在考虑本地和全局信息的情况下，基于目标图中节点邻居的预测进行模型适应；通过邻域对比学习来更新图结构和节点属性进行图适应；以及使用更新后的图作为输入来促进后续模型适应的迭代，从而在没有访问标记源图的情况下解决领域适应问题。我们在各种公共数据集上进行了全面的实验，实验结果表明我们提出的模型较最近的无源基准模型有很大的改进。

    Mar, 2024

  • 无文本多域图形预训练：走向图形基础模型

    MDGPT是一个用于图学习的多领域图预训练和适应性框架，通过多领域知识的利用来解决不同领域的图数据对齐和适应的问题，并在多个公开数据集上进行了实验验证，超越了先前的研究成果37.9%。

    May, 2024

  • 多源无监督图领域自适应中的可迁移性建模

    我们提出了一种基于图模型的多源自适应框架，通过图域选择器、子图节点选择器和双层对齐目标来解决多源无监督域自适应问题，实验证明该方法的有效性。

    Jun, 2024

  • 图适应性与可扩展性学习的核心知识学习框架

    本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与现有方法相比，我们的方法取得了显著的性能提升。

    Jul, 2024

  • 重新审视、基准测试和理解无监督图领域适应

    在无监督图领域自适应中，我们提出了第一个名为GDABench的全面基准测试，涵盖了16种算法、5个数据集和74个适应任务。通过广泛的实验，我们观察到当前UGDA模型的性能在不同数据集和适应场景中存在显著差异，尤其在源图和目标图面临显著分布偏移时，必须制定有效应对和减轻图结构转换的策略。我们还发现通过合适的邻居聚合机制，简单的GNN变体甚至可以超过最先进的UGDA基线方法。为了促进可重复性，我们开发了一个易于使用的PyGDA库，用于训练和评估现有的UGDA方法，在这个社区提供了一个标准化平台。

    Jul, 2024

  • GALA：基于图的扩散对齐与拼图的无源领域适应

    本研究针对无源领域适应中非欧几里得图数据缺乏有效方法的问题，提出了一种创新的方法GALA。该方法通过图扩散模型重建源样式图，结合随机微分方程引入扰动，并利用课程学习生成准确的伪标签，显著提高了方法的泛化能力和鲁棒性，实验结果证明了其有效性。

    Oct, 2024