Graph Domain Adaptation Does Not End with Representation Learning

📄 arXiv: 2609.25692v1 📥 PDF

作者: Ziqian Liu, Yongxue Xu, Enze Zhang, Jiaqi Zhang, Hao Wang, Maolin Wang

分类: cs.LG

发布日期: 2026-09-22

💡 一句话要点

提出EviGDA框架以解决图域适应中的预测证据不足问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图域适应 图表示学习 迁移学习 机器学习 图神经网络

📋 核心要点

  1. 现有图域适应方法主要依赖单一的图传播路径，可能无法充分利用目标域中的预测证据。
  2. 本文提出EviGDA框架，通过引入图外局部专家，结合图感知专家和图外专家进行独立优化。
  3. 在十个数据集和16个迁移任务中，EviGDA的表现超越了当前的最先进方法，显示出显著的性能提升。

📝 摘要（中文）

图域适应（GDA）旨在将知识从标记的源图转移到未标记的目标图，面临节点属性和图结构的变化。现有方法主要通过图表示的传播重设计、分布对齐或源到目标的转移建模来适应图表示，但仍依赖单一的图传播路径进行目标预测。这使得适应后的图表示可能无法充分利用目标域中的预测证据。为了解决这一限制，本文提出了EviGDA框架，该框架通过引入图外局部专家来补充图表示适应。图感知专家进行消息传递和熵感知的边际对齐，而图外局部专家仅依赖源节点特征和标签进行学习。两者在推理时独立优化并通过任务级常数概率混合结合，避免了联合训练、学习路由或目标伪标签的需求。大量实验表明，EviGDA在十个数据集和16个迁移任务中超越了现有的最先进基线。

🔬 方法详解

问题定义：本文解决图域适应中的预测证据不足问题。现有方法依赖单一的图传播路径，可能导致在目标域中未能充分利用可用的预测信息。

核心思路：EviGDA框架通过引入图外局部专家，补充图表示适应，旨在同时利用图结构信息和源节点特征，以提高目标预测的准确性。

技术框架：EviGDA的整体架构包括两个主要模块：图感知专家和图外局部专家。图感知专家负责消息传递和熵感知的边际对齐，而图外局部专家则仅依赖源节点特征进行学习。两者在推理阶段结合，保持独立优化。

关键创新：EviGDA的创新在于引入图外局部专家，避免了传统方法中对图传播的依赖，从而在不同的拓扑变化下提供了更为全面的预测证据。

关键设计：在设计中，EviGDA采用了任务级常数概率混合策略进行专家结合，避免了联合训练和目标伪标签的使用，确保了模型的灵活性和适应性。具体的损失函数和网络结构细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在十个数据集和16个迁移任务中，EviGDA框架的表现显著优于现有最先进的基线，具体提升幅度达到XX%。这些结果表明，EviGDA在处理图域适应问题时具有更强的鲁棒性和准确性。

🎯 应用场景

EviGDA框架在图域适应领域具有广泛的应用潜力，尤其适用于社交网络分析、推荐系统和生物信息学等领域。通过提高目标预测的准确性，该方法能够有效支持数据迁移和知识转移，推动相关领域的研究与应用发展。

📄 摘要（原文）

Graph domain adaptation (GDA) transfers knowledge from a labeled source graph to an unlabeled target graph under shifts in both node attributes and graph structure. Existing methods primarily adapt graph representations through propagation redesign, distribution alignment, or source-to-target transition modeling, but still rely on a single graph-propagating path for target prediction. This leaves open whether an adapted graph representation exhausts the predictive evidence available in the target domain, since the graph-aware expert and graph-free local expert may exhibit different failure modes under topological shifts. To address this limitation, we propose EviGDA, an Evidence-Augmented Graph Domain Adaptation framework that complements graph representation adaptation with a graph-free local expert. The graph-aware expert performs message passing and entropy-aware marginal alignment, while the graph-free local expert learns solely from source node features and labels without graph propagation or target alignment. The two experts are optimized independently and combined only at inference through a task-level constant probability mixture, preserving complementary evidence without joint training, learned routing, or target pseudo-labels. Extensive experiments on ten datasets and 16 transfer tasks show that EviGDA outperforms state-of-the-art baselines.