本文提出了一种全新的领域自适应网络嵌入框架(Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

Jun, 2019

本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

Sep, 2019

本文介绍一种基于对抗性领域适应的深度网络嵌入模型，旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系，并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明，该模型在跨网络节点分类问题上达到了最先进的表现。

Feb, 2020

本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服了解耦后的GCN的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。

Oct, 2020

通过实验证明，在许多标准的节点分类基准测试中，结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比GNN在性能上优秀或者与之匹配，同时仅需使用一小部分GNN的参数并拥有更快的运行时间。

Oct, 2020

通过对比图的局部和全局视图所学习的表示，SemiGCL生成信息丰富的节点表示，并通过对未标记目标节点的熵损失进行对抗优化，以减少领域差异，特别适用于图上的SDDA任务。

Sep, 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

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

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

本研究解决了图节点分类中的域适应问题，尤其是在目标域标签稀缺情况下的分类混淆。提出的谱增强方法通过在谱域对不同域的类别特征空间进行对齐，促进了知识的有效转移。实验结果表明，该方法在多种数据集上显著提高了图神经网络的分类性能。

Aug, 2024