GALA: Graph-Diffusionsbasierte Ausrichtung mit Jigsaw für source-freie Domänenanpassung

Quellenfreie Domänenanpassung ist ein entscheidendes Thema im Maschinenlernen, da es zahlreiche Anwendungen in der Praxis hat, insbesondere im Hinblick auf Datensicherheit. Bestehende Ansätze konzentrieren sich hauptsächlich auf euklidische Daten wie Bilder und Videos, während die Erforschung von nicht-euklidischen Graphdaten noch selten ist. Kürzliche Ansätze mit Graph Neural Networks (GNN) können bei quellenfreien Anpassungsszenarien aufgrund von Domänenverschiebung und Knappheit an Labels erhebliche Leistungsverluste erleiden. In dieser Studie schlagen wir eine neuartige Methode vor, die als Graph Diffusion-based Alignment with Jigsaw (GALA) bezeichnet wird und speziell für quellenfreie Graphdomänenanpassung entwickelt wurde. Um eine Domänenanpassung zu erreichen, verwendet GALA ein Graph-Diffusionsmodell, um aus den Ziel-Daten Quellen-Graphen zu rekonstruieren. Genauer gesagt wird ein scores-basiertes Graph-Diffusionsmodell mit Quellen-Graphen trainiert, um die generativen Stile der Quelle zu lernen. Danach führen wir Störungen in die Ziel-Graphen durch eine stochastische Differentialgleichung ein, anstatt aus einer Verteilung zu sampeln, gefolgt von einem Rückprozess zur Rekonstruktion von Quellen-Graphen. Die so rekonstruierten Quellen-Graphen werden in ein vorgefertigtes GNN eingespeist und klassenspezifische Schwellwerte mit Curriculum Learning eingeführt, was genaue und unverzerrte Pseudo-Labels für die Ziel-Graphen generieren kann. Darüber hinaus haben wir eine einfache aber effektive Strategie namens Graph Jigsaw entwickelt, um vertrauensvolle und weniger vertrauensvolle Graphen zu kombinieren. Diese Strategie kann durch konsistenzorientiertes Lernen Generalisierungsfähigkeit und Robustheit verbessern. Ausführliche Experimente auf Benchmark-Datensätzen bestätigen die Effektivität von GALA.