Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation

这段摘要介绍了无监督图域自适应（UGDA）的概念，即在领域差异下，将标签丰富的源图传递知识到未标记的目标图。尽管有许多方法被设计出来用于这一新兴任务，但缺乏标准的实验设置和公平的性能比较，使得理解哪些模型在不同情况下表现良好变得具有挑战性。为了填补这一空白，作者提出了无监督图域自适应的第一个全面基准测试，名为GDABench，涵盖了5个数据集中的16个算法和74个自适应任务。通过广泛的实验，作者发现当前UGDA模型的性能在不同数据集和自适应场景下存在显著差异。具体来说，当源图和目标图面临重大分布偏移时，必须制定策略来有效地解决和减轻图形结构偏移。作者还发现，通过适当的邻域聚合机制，简单的GNN变体甚至可以超过最先进的UGDA基线。为了促进可重复性，作者开发了一个易于使用的库PyGDA，用于训练和评估现有的UGDA方法，并在社区中提供了一个标准化的平台。作者的源代码和数据集可以在https://github.com/pygda-team/pygda找到。

本论文致力于解决无监督图领域自适应问题，即如何在源图和目标图之间进行知识转移，以应对领域差异。此外，论文还试图提出一个标准的实验设置和公平的性能比较方法。

论文提出了一个名为GDABench的综合性基准测试平台，包含5个数据集和74个自适应任务，涵盖16种算法。通过广泛的实验，发现当前UGDA模型的性能在不同数据集和自适应场景下差异显著。同时，论文还发现，当源图和目标图面临显著的分布偏移时，必须制定有效的策略来解决和减轻图结构的偏移。此外，通过适当的邻域聚合机制，简单的GNN变体甚至可以超越最先进的UGDA基线。

本论文提出了一个全面的无监督图领域自适应基准测试平台，提供了一个标准化的平台。此外，论文还发现了UGDA模型在不同数据集和自适应场景下的性能差异，以及如何解决图结构偏移的问题。此外，通过实验证明，简单的GNN变体可以超越最先进的UGDA基线。该论文提供了一个易于使用的PyGDA库，用于训练和评估现有的UGDA方法。

在无监督图领域自适应方面，最近的相关研究包括：Unsupervised Domain Adaptation on Graphs with GANs (ICLR 2020)、Unsupervised Domain Adaptation for Graph Neural Networks (ICLR 2020)、Adversarial Feature Alignment for Unsupervised Domain Adaptation (ICCV 2019)等。