WWWMar, 2024

合作自适应：无源图领域自适应的双向适应

PDF
TL;DR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。
unsupervised graph domain adaptationsource-freegraphctamodel adaptationgraph adaptation
发现论文，激发创造
  • 基于图形领域自适应的源自由无监督学习

    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

  • 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

  • 通过 Avatar 原型生成和适应实现无源域自适应

    本文提出了一种新的方法，称为反映原型的对比生成和调整方法（CPGA），用于解决源自由的无监督域适应问题，并证明其在三个 UDA 基准数据集上的有效性和优越性。

    Jun, 2021

  • 无监督图领域自适应中的传播再思考

    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

  • 基于领域和类别转移的升级模型

    本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

    Mar, 2023

  • 基于 Avatar 原型对齐的不考虑不平衡源域自适应

    该论文提出了一个基于原模型中的隐藏知识，利用其生成原型并进行适应的对比原型生成和适应方法，以在没有源数据的情况下适应未标记的目标域，同时解决了存在不平衡类分布的实用情况，并通过新的伪标签生成策略和针对性的分类器，优化模型适应度，有望在应用中取得更好表现。

    May, 2023

  • 无监督多源域自适应，无需访问源数据

    该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

    Apr, 2021

  • 多源无监督图领域自适应中的可迁移性建模

    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

  • 逐渐消失的原型网络在无监督领域适应中的差距

    我们提出了一种高效的无监督领域自适应框架 (GVG-PN)，通过全局和局部角度实现了转移学习，以解决无监督领域自适应模型在对齐过程中分布塌缩的问题，并且能够清晰地胜过目前最先进的模型。

    May, 2024

  • 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