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

本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。 我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用 3 个基准数据集的大量实验证明了我们的方法在新设置下优于现有的 UDA 方法，在现有 UDA 变量中也很有竞争力。

Jun, 2021

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

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

本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

Feb, 2020

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

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

本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义，并研究了强制学习每个领域不变表示的优缺点和权衡，并通过实验来检查这些表示的权衡，探索了我们所开发的理论的其他有趣特性。

Nov, 2021

本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。

Mar, 2019