摘要

无源域适应（source-free domain adaptation）是机器学习领域的一个重要课题，因为它在现实世界中具有广泛的应用，尤其是在数据隐私方面。现有的方法主要集中在欧几里得数据上，如图像和视频，而对于非欧几里得图数据的探索则相对较少。最近的图神经网络（GNN）方法在无源适应场景中由于域偏移和标签稀缺问题，可能会出现严重的性能下降。本研究提出了一种名为基于图扩散的对齐与拼图（Graph Diffusion-based Alignment with Jigsaw, GALA）的新方法，专门用于无源图域适应。为了实现域对齐，GALA采用了一个图扩散模型来从目标数据中重建源风格的图。具体而言，该方法使用源图训练一个基于评分的图扩散模型，以学习生成源风格。然后，通过随机微分方程而不是从先验分布采样来引入目标图的扰动，并通过逆过程重建源风格的图。我们将这些源风格的图输入到现成的GNN中，并引入了带有课程学习策略的类别特定阈值，这可以为目标图生成准确且无偏见的伪标签。此外，我们开发了一种简单而有效的图形混合策略——图形拼图（graph jigsaw），将置信度高的图和置信度低的图结合起来。通过一致性学习，这一策略可以增强模型的泛化能力和鲁棒性。大量的基准数据集实验验证了GALA的有效性。