Rethinking structural semantics for unsupervised graph domain adaptation

S. Liu

doi:10.1016/j.knosys.2025.114878

Rethinking structural semantics for unsupervised graph domain adaptation

2025-11-13

0

PRE

AI

DOI：10.1016/j.knosys.2025.114878

原文链接

原文求助

摘要

En 中文

无监督图域适应（UGDA）在图学习领域具有关键作用，其目标是通过减少分布差异，将知识从有标签的源图转移到无标签的目标图。然而，大多数现有方法主要关注学习领域不变节点表示，忽略了由源图与目标图节点连通性差异引起的结构偏移。这种疏忽往往导致知识转移效果欠佳。为应对这一挑战，提出了一种新颖的方法——无监督图域适应的结构语义重思（S2GDA），该方法显式地挖掘并校准多样化的结构语义以实现图域适应。具体而言，S2GDA首先通过将连接模式映射到节点间的多通道概率分布来学习结构语义，然后通过语义结构引导的消息传播机制聚合信息，以获得鲁棒的节点嵌入。最后，节点嵌入和结构语义被联合对齐，以实现图域间的有效知识转移。理论分析进一步表明，显式的结构对齐能够实现更紧致的适应界。在多个真实数据集上的广泛实验表明，S2GDA显著优于最新的基线模型，在十四项跨图节点分类任务中，相对提升范围从0.33%到13.6%，凸显了重思结构语义对于有效图域适应的重要性。

Rethinking structural semantics for unsupervised graph domain adaptation

摘要

期刊

机构

引用论文