ترجمه فارسی مقاله SA-GDA: تقویت طیفی برای سازگاری دامنه نمودار

چکیده

Graph neural networks (GNNs) have achieved impressive impressions for graph-related tasks. However, most GNNs are primarily studied under the cases of signal domain with supervised training, which requires abundant task-specific labels and is difficult to transfer to other domains. There are few works focused on domain adaptation for graph node classification. They mainly focused on aligning the feature space of the source and target domains, without considering the feature alignment between different categories, which may lead to confusion of classification in the target domain. However, due to the scarcity of labels of the target domain, we cannot directly perform effective alignment of categories from different domains, which makes the problem more challenging. In this paper, we present the \textit{Spectral Augmentation for Graph Domain Adaptation (\method{})} for graph node classification. First, we observe that nodes with the same category in different domains exhibit similar characteristics in the spectral domain, while different classes are quite different. Following the observation, we align the category feature space of different domains in the spectral domain instead of aligning the whole features space, and we theoretical proof the stability of proposed \method{}. Then, we develop a dual graph convolutional network to jointly exploits local and global consistency for feature aggregation. Last, we utilize a domain classifier with an adversarial learning submodule to facilitate knowledge transfer between different domain graphs. Experimental results on a variety of publicly available datasets reveal the effectiveness of our \method{}.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) برای کارهای مرتبط با گراف به برداشت های چشمگیر رسیده اند.با این حال ، بیشتر GNN ها در درجه اول تحت موارد دامنه سیگنال با آموزش های نظارت شده مورد مطالعه قرار می گیرند ، که به برچسب های خاص کار فراوان نیاز دارد و انتقال به حوزه های دیگر دشوار است.تعداد کمی از آثار متمرکز بر سازگاری دامنه برای طبقه بندی گره نمودار وجود دارد.آنها عمدتاً بر تراز کردن فضای ویژگی دامنه های منبع و هدف متمرکز بودند ، بدون در نظر گرفتن تراز ویژگی بین دسته های مختلف ، که ممکن است منجر به سردرگمی طبقه بندی در حوزه هدف شود.با این حال ، به دلیل کمبود برچسب های دامنه هدف ، ما نمی توانیم به طور مستقیم تراز مؤثر از دسته ها را از حوزه های مختلف انجام دهیم ، که باعث می شود مشکل به چالش کشیده تر شود.در این مقاله ، ما \ textit {افزایش طیفی را برای سازگاری دامنه نمودار (\ روش {})} برای طبقه بندی گره نمودار ارائه می دهیم.اول ، ما مشاهده می کنیم که گره هایی با همان دسته در حوزه های مختلف ویژگی های مشابهی را در حوزه طیفی نشان می دهند ، در حالی که کلاس های مختلف کاملاً متفاوت هستند.به دنبال مشاهده ، ما به جای تراز کردن کل فضای ویژگی ها ، فضای ویژگی طبقه بندی دامنه های مختلف را در حوزه طیفی تراز می کنیم و اثبات نظری ثبات \ روش پیشنهادی را نشان می دهیم.سپس ، ما یک شبکه حلقوی نمودار دوگانه برای سوءاستفاده مشترک از قوام محلی و جهانی برای تجمع ویژگی ها ایجاد می کنیم.آخر اینکه ، ما از طبقه بندی دامنه با یک زیرمجاز یادگیری مخالف برای تسهیل انتقال دانش بین نمودارهای مختلف دامنه استفاده می کنیم.نتایج تجربی در مورد انواع مجموعه داده های در دسترس عموم ، اثربخشی روش \ ما را نشان می دهد.