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

提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类，无监督学习，域适应等领域中需要大量标记成本的问题，此方法使用图形结构在多个视图上进行对比学习。

Jun, 2023

本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击，进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。

Jun, 2023

通过跨网络节点分类（CNNC）实现源网络知识向标签不足的目标网络的转移，提出了一种领域自适应传递图神经网络（DM-GNN），它将图神经网络（GNN）与条件对抗性领域自适应相结合，能够学习可传递到不同网络的节点分类的信息表示。

Aug, 2023

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。

Feb, 2024

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

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

本研究解决了无源图域适应中源图缺失的问题，提出了一种新颖的图神经网络方法Rank and Align (RNA)。该方法通过谱排序和谐图对齐，以增强语义学习并提取不和谐图中的域不变子图，从而有效应对标签稀缺和领域差异问题。实验结果表明，该方法在多个基准数据集上表现优秀，具有重要的实际应用潜力。

Aug, 2024