领域自适应消息传递图神经网络
摘要：跨网络节点分类（CNNC）旨在通过从具有丰富标签的源网络传递知识来对缺乏标签的目标网络中的节点进行分类，近年来越来越受到关注。为了解决CNNC问题，我们提出了一种领域自适应消息传递图神经网络（DM-GNN），它将图神经网络（GNN）与条件对抗领域自适应相结合。DM-GNN能够学习有信息量的节点分类表示，并且在网络之间具有可传递性。首先，通过双特征提取器构建GNN编码器，以将自我嵌入学习与邻居嵌入学习分离，从而共同捕捉连接节点之间的共同性和差异性。其次，提出了标签传播节点分类器，通过结合节点自身的预测和其邻居的预测来优化每个节点的标签预测。此外，为带标签的源网络设计了一个标签感知传播方案，以促进类内传播并避免类间传播，从而得到具有标签区分性的源嵌入。第三，进行条件对抗领域自适应，以在对抗领域自适应过程中考虑经过邻域优化的类标签信息，以更好地匹配网络之间的类条件分布。与十一种最先进的方法相比，实验证明了提出的DM-GNN的有效性。
作者：Xiao Shen, Shirui Pan, Kup-Sze Choi, Xi Zhou
论文ID：2308.16470
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-09-01