DANE: Domain Adaptive Network Embedding IJCAI 2019

文章链接

1. 摘要

1. 早前的embedding网络聚焦于学习单个图网络的节点表示，不能实现不同域之间的迁移，即domain adaptation。
2. 作者提出了一种新的基于多图的图卷积网络去学习可迁移的embedding。
3. 节点的特征表示由两个共享参数的图网络得到（特征空间对齐）。
4. 节点特征分布由对抗学习模块进行正则化（分布对齐）。

2. Main contributions

1. 最早提出用across multiple graph network实现迁移学习（domain adaptation）。
2. 两种对齐方式：特征空间对齐，分布对齐（可以实现双向domain adaptation）。

3. Proposed method

如下图所示，该算法由两个部分构成：

1. 共享权重的GCN网络。
2. 对抗学习模块。
   
   

1. 共享权重的GCN网络

两个图网络对应源域和目标域，完全使用GCN网络。得到两个域的node embedding

2. 对抗学习正则化

同GAN类似，以第一部分的共享权重的图卷积网络为生成器，设计一个discriminator分辨嵌入向量是来自哪个域。输入向量来自源域则输出1，反之输出0。生成器的loss为：

为达到双向域适应，设计对抗训练的loss函数：

整体的loss函数：

3. 实验部分

数据集：

1. Paper Citation Networks： 包含两个网络A和B，每个节点是一篇文章，标签为所属领域，节点特征为由摘要构成的词频向量。
2. Co-author Networks： 包含两个网络A和B，每个节点是一个作者，每个作者都有一个或多个所属研究领域的标签，节点特征为由作者论文关键词构成的词频向量。

Baseline：
DeepWalk, LINE, Node2vec, unsupervised GraphSAGE(GCN version)