结构增强的原型对齐用于无监督跨域节点分类 引言 随着现代信息技术的发展，图神经网络（Graph Neural Networks，GNNs）在处理复杂网络节点分类任务中展示了显著的成功。然而，其中一个关键问题是需要大量高质量标注数据，这对于图结构数据而言获取成本高昂且耗时。因此，如何将知识从一个标注丰富的图（源域）迁移到一个完全无标注的图（目标域）成为了亟待解决的重要问题。 研究背景及目的 作者所在团队来自浙江大学计算机科学学院、浙江省服务机器人重点实验室、以及新加坡国立大学计算学院。他们提出了一种名为结构增强的原型对齐（SEPA）的新型无监督图域适应框架，旨在通过构建基于原型的图和引入显式域差异度量来实现源域和目标域的对齐。该论文发表在《Neural Networks》期刊，并通过一系列实验...