【学术报告】同配性偏移下的渐进式图结构调整域适应（温宏伟-悉尼大学）

【主讲人简介】：温宏伟，悉尼大学博士后研究员，博士毕业于荷兰特文特大学。研究方向为可信人工智能与机器学习理论，主要关注领域适应、图学习、公平机器学习、弱监督学习、无监督学习以及数据驱动决策优化。相关研究成果发表于ICML、ICLR 及 JMLR 等国际顶级人工智能会议和期刊。

【内容简介】：图域适应旨在利用带标签源图中的知识提升目标图上的学习性能。然而，源域与目标域之间节点同配性分布的不匹配会显著降低跨图迁移效果。针对这一问题，我们提出一种面向同配性偏移的渐进式结构调整方法，显式缓解跨域节点同配性差异带来的挑战。具体而言，该方法通过边权重调整和增加类内连接，提高源图中低同配性节点的同配水平；同时，结合利用图结构信息的模型与仅利用节点属性的模型所产生的一致预测，对目标图结构进行保守修正，从而在标签缺失的情况下保证结构调整的可靠性。每轮结构调整后，进一步通过域对齐方法学习具有跨域一致性的节点表示。该方法采用渐进式训练策略，在结构调整与表示学习之间交替迭代：随着表示质量不断提升，可以更加可靠地修正图结构；而优化后的图结构又进一步促进高质量表示学习。多个图域适应基准数据集上的实验结果表明，该方法持续优于现有代表性方法，尤其在源域与目标域同配性差异较大的场景下表现出显著优势，验证了显式同配性对齐对于跨图知识迁移的重要作用。

【讲座时间】：2026年6月17日（星期三）上午10:30

【讲座地点】：人文社科科研楼1801会议室