Graph neural Networks domain adaptive文章解读

• 1. DANE: Domain Adaptive Network Embedding IJCAI 2019
• 2. GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation CVPR 2019
• 3. Unsupervised Domain Adaptive Graph Convolutional Networks-WWW-2020
• 4. Learning Disentangled Semantic Representation for Domain Adaptation-IJCAI-2019
• 5. 待更新

1. DANE: Domain Adaptive Network Embedding IJCAI 2019

论文下载链接

论文笔记链接
关键词： 图卷积神经网络，对抗学习，域适应

1. 最早的将图网络与DA相结合 （框架设计较为简单。其实同期有很多相关文章，下方已有连接） 。
2. 共享权重的图卷积网络作为源域和目标域的特征提取器，整个网络的生成器。
3. 结合GAN的思想设计判别器进行域的分布对齐。

2. GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation CVPR 2019

论文下载链接

论文笔记链接

关键词： 图卷积对抗网络，无监督，域适应

1. 算法设计出发点是要同时利用数据结构、域标签和类标签这三种信息进行联合建模，并为此设计了对应的跨域对齐网络。
2. 结构对齐网络依靠源域数据训练一个数据结构分析网络来计算结构分数，最后作为GCN的链接矩阵最后得到GCN embedding。
3. 域对齐网络使用对抗网络对全局建模
4. 类中心对齐依靠基于伪标签生成的分类器进行聚类。

3. Unsupervised Domain Adaptive Graph Convolutional Networks-WWW-2020

论文下载链接

论文笔记链接
关键词： 双图机制，局部信息和全局信息，源域样本分类器，目标域样本分类器，域分类器

1. 利用双图机制获取局部和全局信息。
2. 用注意力机制获取Embedding。
3. 三个分类器loss做反向传播更新网络。

4. Learning Disentangled Semantic Representation for Domain Adaptation-IJCAI-2019

论文下载链接

论文笔记链接

**关键词：**域信息和类别信息的解耦表达，对抗网络

1. 作者假设特征空间的域不变信息由域信息和类别信息构成。而域信息差异较大，起主导作用的应当是类别信息，因此作者的目的是对其解耦充分学习不含有域信息的类别信息。
2. 通过类VAE框架对域隐变量和语义（类别）隐变量进行重构。
3. 设计了两个对抗网络来学习域隐变量和语义（类别）隐变量。

5. 待更新