A Survey of Cross-domain Graph Learning: Progress and Future Directions

📄 arXiv: 2503.11086v2 📥 PDF

作者: Haihong Zhao, Zhixun Li, Chenyi Zi, Aochuan Chen, Fugee Tsung, Jia Li, Jeffrey Xu Yu

分类: cs.LG, cs.AI

发布日期: 2025-03-14 (更新: 2025-11-18)

🔗 代码/项目: GITHUB

💡 一句话要点

综述跨域图学习进展与未来方向，旨在实现真正的图基础模型。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨域图学习 图神经网络 领域自适应 迁移学习 图数据挖掘

📋 核心要点

  1. 现有图学习方法难以跨领域泛化，限制了其在复杂场景下的应用。
  2. 论文提出一种新的跨域图学习分类法，根据可迁移知识类型分为结构导向、特征导向和混合导向。
  3. 该综述总结了各类代表性方法，分析了现有挑战与局限，并展望了未来研究方向。

📝 摘要（中文）

图学习在挖掘和分析图数据中的复杂关系方面起着至关重要的作用，并已广泛应用于社交、引文和电子商务网络等实际场景。计算机视觉（CV）和自然语言处理（NLP）中的基础模型已经展示了卓越的跨域能力，这对图数据同样重要。然而，现有的图学习方法通常难以跨域泛化。受到CV和NLP最新进展的推动，跨域图学习（CDGL）作为实现真正图基础模型的一个有希望的步骤，重新获得了关注。在本综述中，我们对现有的CDGL工作进行了全面的回顾和分析。我们提出了一种新的分类法，根据跨域学习的可迁移知识类型对现有方法进行分类：结构导向、特征导向和混合导向。基于这种分类法，我们系统地总结了每个类别中的代表性方法，讨论了当前研究的关键挑战和局限性，并概述了未来研究的有希望的方向。相关工作的持续更新集合可在以下网址获得：https://github.com/cshhzhao/Awesome-Cross-Domain-Graph-Learning。

🔬 方法详解

问题定义：现有的图学习方法在跨领域泛化能力上存在不足。不同领域的图数据在结构、特征等方面存在差异，导致模型在一个领域训练后，难以直接应用于其他领域。这限制了图学习在更广泛和复杂的实际场景中的应用，例如，一个在社交网络上训练的模型可能无法直接应用于生物网络。

核心思路：论文的核心思路是对现有的跨域图学习方法进行系统性的分类和总结，从而为研究人员提供一个清晰的框架，并指出未来的研究方向。通过分析不同方法的可迁移知识类型（结构、特征或混合），可以更好地理解跨域图学习的本质，并设计更有效的模型。

技术框架：论文首先提出了一个针对跨域图学习的新分类法，将现有方法分为三类：结构导向、特征导向和混合导向。然后，论文对每一类方法中的代表性工作进行了详细的介绍和分析，包括其核心思想、技术细节和优缺点。最后，论文总结了当前研究的挑战和局限性，并提出了未来研究的潜在方向。

关键创新：论文的主要创新在于提出了一个清晰且全面的跨域图学习分类法，该分类法能够帮助研究人员更好地理解和比较不同的跨域图学习方法。此外，论文还对现有方法的局限性进行了深入的分析，并提出了有价值的未来研究方向。

关键设计：论文并没有提出新的模型或算法，而是一个综述性的工作。因此，没有具体的参数设置、损失函数或网络结构等技术细节需要描述。论文的关键在于其分类框架的设计，即根据可迁移知识的类型将跨域图学习方法分为结构导向、特征导向和混合导向。这种分类方式能够有效地概括现有方法，并为未来的研究提供指导。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文是一篇全面的跨域图学习综述，系统地总结了现有方法，并提出了新的分类法。通过分析现有方法的局限性，论文为未来的研究方向提供了有价值的指导。该综述为研究人员提供了一个清晰的框架，有助于推动跨域图学习领域的发展。

🎯 应用场景

该研究成果可应用于多种需要跨领域图数据分析的场景，例如：社交网络分析、生物信息学、推荐系统、金融风控等。通过提升图学习模型的跨领域泛化能力，可以更好地利用不同领域的数据，提高模型的性能和鲁棒性，从而为实际应用带来更大的价值。

📄 摘要（原文）

Graph learning plays a vital role in mining and analyzing complex relationships within graph data and has been widely applied to real-world scenarios such as social, citation, and e-commerce networks. Foundation models in computer vision (CV) and natural language processing (NLP) have demonstrated remarkable cross-domain capabilities that are equally significant for graph data. However, existing graph learning approaches often struggle to generalize across domains. Motivated by recent advances in CV and NLP, cross-domain graph learning (CDGL) has gained renewed attention as a promising step toward realizing true graph foundation models. In this survey, we provide a comprehensive review and analysis of existing works on CDGL. We propose a new taxonomy that categorizes existing approaches according to the type of transferable knowledge learned across domains: structure-oriented, feature-oriented, and mixture-oriented. Based on this taxonomy, we systematically summarize representative methods in each category, discuss the key challenges and limitations of current studies, and outline promising directions for future research. A continuously updated collection of related works is available at: https://github.com/cshhzhao/Awesome-Cross-Domain-Graph-Learning.