Buchumschlag

SA-GDA: Spectral Augmentation for Graph Domain Adaptation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pang, Jinhui, Wang, Zixuan, Tang, Jiliang, Xiao, Mingyan, Yin, Nan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PyGDA: A Python Library for Graph Domain Adaptation
von: Zhang, Zhen, et al.
Veröffentlicht: (2025)

Degree-Conscious Spiking Graph for Cross-Domain Adaptation
von: Wang, Yingxu, et al.
Veröffentlicht: (2024)

Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
von: Wang, Yingxu, et al.
Veröffentlicht: (2025)

DuSEGO: Dual Second-order Equivariant Graph Ordinary Differential Equation
von: Wang, Yingxu, et al.
Veröffentlicht: (2024)

Rethinking Spectral Augmentation for Contrast-based Graph Self-Supervised Learning
von: Jian, Xiangru, et al.
Veröffentlicht: (2024)

Are Expressive Encoders Necessary for Discrete Graph Generation?
von: Revolinsky, Jay, et al.
Veröffentlicht: (2026)

Towards Better Benchmark Datasets for Inductive Knowledge Graph Completion
von: Shomer, Harry, et al.
Veröffentlicht: (2024)

Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation
von: Liu, Meihan, et al.
Veröffentlicht: (2024)

Graph Domain Adaptation: Challenges, Progress and Prospects
von: Shi, Boshen, et al.
Veröffentlicht: (2024)

Rethinking Propagation for Unsupervised Graph Domain Adaptation
von: Liu, Meihan, et al.
Veröffentlicht: (2024)

On the Benefits of Attribute-Driven Graph Domain Adaptation
von: Fang, Ruiyi, et al.
Veröffentlicht: (2025)

GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation
von: Luo, Junyu, et al.
Veröffentlicht: (2024)

Bridging Source and Target Domains via Link Prediction for Unsupervised Domain Adaptation on Graphs
von: Wang, Yilong, et al.
Veröffentlicht: (2025)

Graph Structure Learning with Bi-level Optimization
von: Yin, Nan
Veröffentlicht: (2024)

CoCo: A Coupled Contrastive Framework for Unsupervised Domain Adaptive Graph Classification
von: Yin, Nan, et al.
Veröffentlicht: (2023)

CoSA: Compressed Sensing-Based Adaptation of Large Language Models
von: Wei, Songtao, et al.
Veröffentlicht: (2026)

Collaborate to Adapt: Source-Free Graph Domain Adaptation via Bi-directional Adaptation
von: Zhang, Zhen, et al.
Veröffentlicht: (2024)

Rank and Align: Towards Effective Source-free Graph Domain Adaptation
von: Luo, Junyu, et al.
Veröffentlicht: (2024)

DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation
von: Wang, Yingxu, et al.
Veröffentlicht: (2026)

Gradual Fine-Tuning with Graph Routing for Multi-Source Unsupervised Domain Adaptation
von: Ma, Yao, et al.
Veröffentlicht: (2024)

KaSA: Knowledge-Aware Singular-Value Adaptation of Large Language Models
von: Wang, Fan, et al.
Veröffentlicht: (2024)

Towards Neural Scaling Laws on Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2024)

Unveiling Mode Connectivity in Graph Neural Networks
von: Li, Bingheng, et al.
Veröffentlicht: (2025)

Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation
von: Chen, Wei, et al.
Veröffentlicht: (2026)

Off-Dynamics Reinforcement Learning via Domain Adaptation and Reward Augmented Imitation
von: Guo, Yihong, et al.
Veröffentlicht: (2024)

E-CGL: An Efficient Continual Graph Learner
von: Guo, Jianhao, et al.
Veröffentlicht: (2024)

Towards Understanding Link Predictor Generalizability Under Distribution Shifts
von: Revolinsky, Jay, et al.
Veröffentlicht: (2024)

Subgraph Generation for Generalizing on Out-of-Distribution Links
von: Revolinsky, Jay, et al.
Veröffentlicht: (2025)

Smoothness Really Matters: A Simple Yet Effective Approach for Unsupervised Graph Domain Adaptation
von: Chen, Wei, et al.
Veröffentlicht: (2024)

Uncovering Graph Reasoning in Decoder-only Transformers with Circuit Tracing
von: Dai, Xinnan, et al.
Veröffentlicht: (2025)

Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs
von: Chen, Zhikai, et al.
Veröffentlicht: (2023)

NeiGAD: Augmenting Graph Anomaly Detection via Spectral Neighbor Information
von: Qing, Qing, et al.
Veröffentlicht: (2026)

Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation
von: Chen, Wei, et al.
Veröffentlicht: (2026)

GAIN: Multiplicative Modulation for Domain Adaptation
von: Yao, Hengshuai, et al.
Veröffentlicht: (2026)

GCAL: Adapting Graph Models to Evolving Domain Shifts
von: Qiao, Ziyue, et al.
Veröffentlicht: (2025)

Auto-GDA: Automatic Domain Adaptation for Efficient Grounding Verification in Retrieval-Augmented Generation
von: Leemann, Tobias, et al.
Veröffentlicht: (2024)

Learning on Graphs with Large Language Models(LLMs): A Deep Dive into Model Robustness
von: Guo, Kai, et al.
Veröffentlicht: (2024)

One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2024)

How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension
von: Dai, Xinnan, et al.
Veröffentlicht: (2024)

Higher-order Structure Boosts Link Prediction on Temporal Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2025)