グラフの統合適応をホモフィリオーギーなしで実現する

グラッドゥアルダプタンテーション(GDA)は、ラベルが少ない問題に対処する知識転送技術です。しかし現在のGDAメソッド通常的に源グラフとターゲット・グラフがホモフィリオを示していることを仮定しておりこれは不適応であることが発見されていました。一方、ターゲットグラフでのラベルの欠如によりそのホモフィリオレベルの評価は容易ではありません。我々の提案はこれらの問題に対処するための新しいホモフィリオーグックなしでグーリングのアプローチです。具体的には、まずサンプリングと分割された高度ホモフィリオ版と不正則化版を別個に再生成し、その間知識の接続をそれぞれ照合します。これらの対象グラフの分極で5つのバイジェスケータの実際のテストは我々の手法の優れた性能と特にその多価なリベリーを示しました。

arXiv:2602.07573v1 Announce Type: cross Abstract: Graph Domain Adaptation (GDA) transfers knowledge from labeled source graphs to unlabeled target graphs, addressing the challenge of label scarcity. However, existing GDA methods typically assume that both source and target graphs exhibit homophily, leading existing methods to perform poorly when heterophily is present. Furthermore, the lack of labels in the target graph makes it impossible to assess its homophily level beforehand. To address this challenge, we propose a novel homophily-agnostic approach that effectively transfers knowledge between graphs with varying degrees of homophily. Specifically, we adopt a divide-and-conquer strategy that first separately reconstructs highly homophilic and heterophilic variants of both the source and target graphs, and then performs knowledge alignment separately between corresponding graph variants. Extensive experiments conducted on five benchmark datasets demonstrate the superior performance of our approach, particularly highlighting its substantial advantages on heterophilic graphs.