Mar, 2024

成对对齐提升图领域适应

HTML
PDF
TL;DR图领域适应性研究中，本文提出了一种新颖的、基于理论原则的方法，即配对校准（Pair-Align），以解决图结构的移动性问题。通过减轻条件结构移位和标签移位，Pair-Align利用边权重重新校准相邻节点之间的影响，并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能，包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用，我们还创建了迄今为止最大的GDA研究数据集，并在合成和其他现有基准数据集上展示了强大的性能。
发现论文，激发创造
  • 通过学习对齐的图基进行图领域自适应

    本文提出了一种基于图傅里叶变换的领域自适应方法，通过学习源图上标签函数的频谱，并将频谱信息转移到目标图上，重建目标图上未知的标签函数，实现分类问题中的半监督学习与域自适应，实验结果表明该方法在图像，在线产品评论和社交网络数据集上的分类效果优于现有方法。

    Mar, 2018

  • 图关系领域自适应

    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

  • 结构重加权改进图领域自适应

    本文研究图神经网络中的图域自适应问题，提出了一种新方法叫做结构重加权，用于解决现有方法无法适应的条件结构偏移问题，并在合成图、四个基准数据集和高能物理领域的一个新应用中进行了测试，表现出了显著的性能提升。

    Jun, 2023

  • OpenGDA：面向跨网络学习的图领域自适应基准

    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

  • 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

  • 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

  • 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

  • SA-GDA: 图域适应的谱增强

    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

  • 排名与对齐：有效的无源图域适应方法

    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