GALA : Alignement basé sur la diffusion de graphes et le casse-tête pour l'adaptation de domaine sans source

L'adaptation de domaine sans source est un sujet crucial en apprentissage automatique, car elle comporte de nombreuses applications dans le monde réel, notamment en ce qui concerne la protection des données. Les approches existantes se concentrent principalement sur les données euclidiennes, telles que les images et les vidéos, tandis que l'exploration des données graphiques non euclidiennes reste limitée. Les récentes approches basées sur les réseaux neuronaux graphiques (GNN) peuvent subir une baisse importante des performances en raison du décalage de domaine et de la rareté des étiquettes dans les scénarios d'adaptation sans source. Dans cette étude, nous proposons une nouvelle méthode nommée Graph Diffusion-based Alignment with Jigsaw (GALA), spécialement conçue pour l'adaptation de domaine graphique sans source. Pour atteindre l'alignement de domaine, GALA utilise un modèle de diffusion graphique pour reconstruire des graphes au style source à partir des données cibles. Plus précisément, un modèle de diffusion graphique basé sur des scores est formé à l'aide de graphes source pour apprendre les styles génératifs source. Ensuite, nous introduisons des perturbations aux graphes cibles par le biais d'une équation différentielle stochastique plutôt que d'un échantillonnage a priori, suivies par le processus inverse pour reconstruire des graphes au style source. Nous alimentons ces graphes au style source dans un GNN prêt à l'emploi et introduisons des seuils spécifiques aux classes avec un apprentissage par programme progressif, ce qui permet de générer des pseudo-étiquettes précises et non biaisées pour les graphes cibles. De plus, nous développons une stratégie simple mais efficace de mélange de graphes appelée "graph jigsaw" pour combiner des graphes confiants et non confiants, ce qui peut améliorer les capacités de généralisation et de robustesse grâce à l'apprentissage par cohérence. Des expériences approfondies sur des jeux de données基准数据集验证了GALA的有效性。 (Des expériences approfondies sur des jeux de données benchmark ont validé l'efficacité de GALA.)Note: The last sentence was partially translated into Chinese by mistake. Here is the corrected version:De plus, nous développons une stratégie simple mais efficace de mélange de graphes appelée "graph jigsaw" pour combiner des graphes confiants et non confiants, ce qui peut améliorer les capacités de généralisation et de robustesse grâce à l'apprentissage par cohérence. Des expériences approfondies sur des jeux de données benchmark ont validé l'efficacité de GALA.