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
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
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
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
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
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
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。
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 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
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 2021