【论文】重新审视无监督图域适应中的消息传播

原文：Rethinking Propagation for Unsupervised Graph Domain Adaptation | Proceedings of the AAAI Conference on Artificial Intelligence

文章考虑的是无监督图域适应问题（UGDA）

我们知道 GNN 的机制可以解耦为两个独立的操作：传播（P）和变换（T），其中 P 操作执行相邻节点之间的消息传递，T 操作对节点表示进行线性变换。

GNN 的架构可以通过 P 和 T 的组合来构建。文章主要报告了几个发现：

1. 同时添加 P 和 T 并没有实质上增强其泛化能力。当层数少于4时，可以观察到增量趋势，更多层数会导致性能下降。

2. 单独添加 T 可能会削弱其适应能力。在保持传播层数固定的情况下，随着更多变换层的添加，UGDA性能显着下降

3. P 操作对于增强其适应能力起着至关重要的作用。与同时增加转换层和传播层相比，增加传播层可以实现显着的性能改进。

受上述发现的启发，作者提出了一种简单而有效的模型，名为非对称自适应 GNN（缩写为 A2GNN）。虽然大多数现有的 UGDA 方法在源图和目标图之间使用共享架构，但上述发现说明这并不像我们想象的那样必要。通过在源图上引入单个转换层并在目标图上堆叠多个传播层，即能够实现卓越的性能。

下面是具体的理论分析。