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

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

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

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

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。

Mar, 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

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

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