Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]

论文信息

论文标题：DEAL: An Unsupervised Domain Adaptive Framework for Graph-level Classification
论文作者：Nan Yin、Li Shen、Baopu Li、Mengzhu Wang、
论文来源：2023 aRxiv
论文地址：download
论文代码：download
视屏讲解：click

1 介绍

　　动机：跨域图分类；

　　贡献：

- 提出了一个关于图分类的域自适应框架；
- DEAL 利用对抗性学习来生成源数据的增强视图，用于图空间中的域对齐。此外，还探索了网络不同层的表示，以提取可靠的伪标签，以更好地在目标域的分类性能；
- 在几个数据集上进行的大量实验表明，该框架的性能优于各种最先进的竞争对手；

　　水文..........

2 方法

模型框架

基于 GNN 的编码器

　　特征提取器：

　　　　$\boldsymbol{h}_{v}^{(k)}=C^{(k)}\left(\boldsymbol{h}_{v}^{(k-1)}, \mathcal{A}^{(k)}\left(\left\{\boldsymbol{h}_{u}^{(k-1)}\right\}_{u \in \mathcal{N}(v)}\right)\right)$

　　　　$z=F(G)=\operatorname{READOUT}\left(\left\{\boldsymbol{h}_{v}^{(K)}\right\}_{v \in \mathcal{V}}\right)$

　　分类器：

　　　　$\hat{\boldsymbol{p}}=H(z)$

域对齐的对抗性扰动

　　对抗训练如下：

　　　　$\begin{aligned}\underset{\|\delta(\cdot)\|_{F} \leq \epsilon}{\text{min}} \;\;\underset{\theta_{d}}{\text{max}} \;\mathcal{L}_{A P} & =\mathbb{E}_{G_{i}^{s} \in \mathcal{D}^{s}} \log D\left(F\left(G_{i}^{s} ; \boldsymbol{M}_{i}^{s}+\boldsymbol{\delta}\left(\boldsymbol{M}_{i}^{s}\right)\right), \hat{\boldsymbol{p}}_{i}^{s}\right) \\& +\mathbb{E}_{G_{j}^{t} \in \mathcal{D}^{t}} \log \left(1-D\left(F\left(G_{j}^{t}\right), \hat{\boldsymbol{p}}_{j}^{t}\right)\right)\end{aligned}$

　　注意：鉴别器的输入是图表示和预测；

用于判别性学习的伪标签蒸馏

　　伪标签样本容易产生噪声，本文通过通过过滤噪声标签提高可信度；

　　首先，对图表示进行聚类（DBSCAN），然后删除具有相同伪标签但在不同集群中的其他实例，最后，我们采用提取的伪标签来指导目标域的图分类。

　　　　$\mathcal{L}_{T}=\mathbb{E}_{G_{j}^{t} \in Q} \mathcal{E}\left(\hat{\boldsymbol{p}}_{j}^{t}, l_{j}\right)$

训练目标

　　　　$\mathcal{L}=\mathcal{L}_{S}+\mathcal{L}_{T}-\lambda \mathcal{L}_{A P}$