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

提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类，无监督学习，域适应等领域中需要大量标记成本的问题，此方法使用图形结构在多个视图上进行对比学习。

Jun, 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

我们介绍了一种新颖的图谱对齐框架(SPA)，用于解决无监督领域适应问题，该框架通过将DA问题投射到图基元上，通过一种新颖的谱正则化器在特定的特征空间中对领域图进行对齐，进而通过新颖的邻域感知自训练机制开发细粒度的消息传递模块，以提高目标领域中的可区分度。在标准基准测试中，SPA的广泛实验证明其性能已超越现有的领域适应方法，密集模型分析证实了我们的方法确实具有优越的效果、鲁棒性、可区分度和可迁移性。

Oct, 2023

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

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

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