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

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

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

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（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

多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

Mar, 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

本研究针对无源领域适应中非欧几里得图数据缺乏有效方法的问题，提出了一种创新的方法GALA。该方法通过图扩散模型重建源样式图，结合随机微分方程引入扰动，并利用课程学习生成准确的伪标签，显著提高了方法的泛化能力和鲁棒性，实验结果证明了其有效性。

Oct, 2024