SPOT：用于图域泛化的谱最优传输算法

《ACM Transactions on Knowledge Discovery from Data》：SPOT: Spectral Optimal Transport for Graph Domain Generalization

图神经网络面临域转移挑战，需解决结构拓扑和节点属性差异导致的性能下降问题。本文提出基于谱最优传输的SPOT方法，通过 Sinkhorn-Knopp 算法实现低频知识保留与高频域差异分离，并设计自适应扰动策略维持语义特性。在构建的图域泛化基准数据集上验证，SPOT 显著优于现有方法。

　　

摘要

图神经网络（GNNs）已基本成为学习图结构数据的事实标准模型。然而，大多数现有方法都是在已知图上进行归纳学习，这些方法无法处理大量实际场景中出现的未见过的图，尤其是那些可能存在领域变化的图。更糟糕的是，这些图在结构拓扑和节点属性上存在领域变化，从而导致数据偏差，进而使性能大幅下降。为了解决这个问题，我们提出了一种名为谱最优传输（SPOT）的新GNN方法，以实现图上的有效领域泛化。我们的方法基于这样一个事实：高频图谱更有可能反映领域差异。具体来说，我们将结构增强问题表述为一个最优传输问题，以保留低频的关键信息，并使用Sinkhorn-Knopp算法来解决该问题。此外，我们还引入了一种自适应扰动策略来处理深度特征，其中添加噪声的方向由节点的同质性程度决定，以保持语义属性。为此，我们精心构建了一系列真实世界的基准数据集来评估我们模型在图上的领域泛化能力，广泛的实验也证实了所提出的SPOT方法的有效性。