【AAAI2023】图上的非独立同分布迁移学习

迁移学习是指将知识或信息从相关的源领域转移到目标领域。然而，现有的大多数迁移学习理论和算法都集中在IID任务上，其中源/目标样本假设是独立的和同分布的。对于非IID任务的知识可迁移性的理论研究很少，例如跨网络挖掘。为了弥合差距，在本文中，我们提出了严格的泛化边界和算法，用于从源图到目标图的跨网络迁移学习。其关键思想是从Weisfeiler-Lehman图同构检验的角度表征跨网络知识可转移性。为此，我们提出了一种新的图子树差异来测量源图和目标图之间的图分布移位。然后，可以根据源知识和跨域的图子树差异推导出跨网络迁移学习的泛化误差边界，包括跨网络节点分类和链路预测任务。因此，这促使我们提出了一个通用图自适应网络(GRADE)，以最小化跨网络迁移学习源图和目标图之间的分布偏移。实验结果验证了GRADE框架在跨网络节点分类和跨域推荐任务上的有效性和效率。