동형성 무시 재구조화를 통한 그래프 도메인 적응

Graph Domain Adaptation via Homophily-Agnostic Reconstructing Structure

그래프 도메인 적응(GDA)은 레이블이 있는 소스 그래프의 지식을 레이블이 없는 타겟 그래프로 전달하여, 레이블 부족 문제를 해결하는 기술입니다. 그러나 기존 GDA 방법들은 일반적으로 소스 그래프와 타겟 그래프가 모두 동형성을 가진다고 가정하며, 이 가정은 타겟 그래프가 이질성을 가질 때 기존 방법들의 성능 저하를 초래합니다. 또한, 타겟 그래프에 레이블이 없기 때문에, 사전에 타겟 그래프의 동형성 수준을 평가하기 어렵습니다. 이러한 문제를 해결하기 위해, 우리는 동형성에 관계없이 다양한 수준의 동형성을 가진 그래프 간 지식 전달을 효과적으로 수행하는 새로운 방법을 제안합니다. 구체적으로, 우리는 분할 정복 전략을 채택하여, 먼저 소스 그래프와 타겟 그래프를 각각 동형성이 높은 변형과 이질성이 높은 변형으로 분리하여 재구조화하고, 그 후 해당되는 그래프 변형 간에 지식 정렬을 개별적으로 수행합니다. 다섯 개의 벤치마크 데이터셋에 대한 광범위한 실험 결과는 제안하는 방법의 우수한 성능을 입증하며, 특히 이질성이 높은 그래프에서 상당한 장점을 보이는 것을 보여줍니다.

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.