DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation

📄 arXiv: 2604.03154 📥 PDF

作者: Yingxu Wang, Kunyu Zhang, Jiaxin Huang, Mengzhu Wang, Mingyan Xiao, Siyang Gao, Nan Yin

分类: cs.LG

发布日期: 2026-04-06

💡 一句话要点

提出DSBD，通过双重对齐结构基础蒸馏解决图领域自适应问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 图领域自适应 结构蒸馏 图神经网络 领域对齐 拓扑矩匹配

📋 核心要点

  1. 现有图领域自适应方法忽略了跨域结构差异，导致在拓扑结构变化显著时性能下降。
  2. DSBD通过构建可微的结构基础，并进行双重对齐，显式地建模和适应跨域结构变化。
  3. 实验结果表明，DSBD在图和图像基准测试中始终优于现有最先进的方法。

📝 摘要（中文）

图领域自适应(GDA)旨在将知识从有标签的源图迁移到无标签的目标图，但现有方法主要集中在特征层面，忽略了结构差异，这在拓扑结构发生显著变化时尤其不利。这些差异改变了几何关系和谱特性，导致图神经网络(GNN)的迁移不可靠。为了解决这个限制，我们提出了用于GDA的双重对齐结构基础蒸馏(DSBD)，这是一个显式建模和适应跨域结构变化的新框架。DSBD通过合成连续概率原型图来构建可微的结构基础，从而实现基于梯度的图拓扑优化。该基础在源域监督下学习以保持语义可区分性，同时通过双重对齐目标显式地与目标域对齐。具体而言，通过置换不变的拓扑矩匹配来强制执行几何一致性，并通过狄利克雷能量校准来实现谱一致性，共同捕获跨域的结构特征。此外，我们引入了一种解耦的推理范式，通过在蒸馏的结构基础上训练新的GNN来减轻源特定的结构偏差。在图和图像基准上的大量实验表明，DSBD始终优于最先进的方法。

🔬 方法详解

问题定义：图领域自适应(GDA)旨在解决源域和目标域图数据分布不一致情况下的知识迁移问题。现有方法主要关注节点特征的对齐，忽略了图结构的差异，尤其是在图拓扑结构发生显著变化时，会导致GNN的迁移性能下降。现有方法无法有效处理结构差异带来的几何关系和谱特性的改变。

核心思路：DSBD的核心思路是通过学习一个结构基础（structural basis）来解耦图的结构信息和节点特征，并显式地对齐源域和目标域的结构分布。通过构建可微的结构基础，并利用梯度下降优化图拓扑结构，从而实现跨域结构信息的有效迁移。该方法旨在缓解源域特定结构偏差，提升模型在目标域的泛化能力。

技术框架：DSBD框架包含以下几个主要模块：1) 结构基础构建：通过合成连续概率原型图构建可微的结构基础。2) 源域监督学习：在源域上对结构基础进行监督学习，以保持语义可区分性。3) 双重对齐：通过拓扑矩匹配（几何一致性）和狄利克雷能量校准（谱一致性）将结构基础与目标域对齐。4) 解耦推理：在蒸馏的结构基础上训练新的GNN，用于目标域的预测。

关键创新：DSBD的关键创新在于：1) 显式结构建模：不同于以往侧重特征对齐的方法，DSBD显式地建模和对齐图的结构信息。2) 可微结构基础：通过连续概率原型图构建可微的结构基础，使得可以通过梯度下降优化图拓扑结构。3) 双重对齐策略：同时考虑了几何一致性和谱一致性，更全面地捕获了跨域的结构特征。4) 解耦推理范式：通过在蒸馏的结构基础上训练新的GNN，减轻了源域特定结构偏差。

关键设计：1) 拓扑矩匹配：使用置换不变的拓扑矩匹配损失函数来强制执行几何一致性。2) 狄利克雷能量校准：使用狄利克雷能量校准损失函数来实现谱一致性。3) 连续概率原型图：使用连续概率原型图来表示结构基础，允许梯度优化。4) 损失函数设计：总体损失函数由源域分类损失、拓扑矩匹配损失和狄利克雷能量校准损失加权组成。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DSBD在多个图和图像基准数据集上均取得了显著的性能提升。例如，在某些数据集上，DSBD相比于最先进的方法，分类准确率提升了5%以上。实验还验证了DSBD在处理拓扑结构差异较大的跨域图数据时的优越性。

🎯 应用场景

DSBD可应用于各种图领域自适应任务，例如跨社交网络的恶意用户检测、跨医学图像数据集的疾病诊断、以及跨不同场景的图像分类等。该研究有助于提升图神经网络在实际应用中的泛化能力和鲁棒性，降低对标注数据的依赖，具有重要的实际应用价值和潜力。

📄 摘要（原文）

Graph domain adaptation (GDA) aims to transfer knowledge from a labeled source graph to an unlabeled target graph under distribution shifts. However, existing methods are largely feature-centric and overlook structural discrepancies, which become particularly detrimental under significant topology shifts. Such discrepancies alter both geometric relationships and spectral properties, leading to unreliable transfer of graph neural networks (GNNs). To address this limitation, we propose Dual-Aligned Structural Basis Distillation (DSBD) for GDA, a novel framework that explicitly models and adapts cross-domain structural variation. DSBD constructs a differentiable structural basis by synthesizing continuous probabilistic prototype graphs, enabling gradient-based optimization over graph topology. The basis is learned under source-domain supervision to preserve semantic discriminability, while being explicitly aligned to the target domain through a dual-alignment objective. Specifically, geometric consistency is enforced via permutation-invariant topological moment matching, and spectral consistency is achieved through Dirichlet energy calibration, jointly capturing structural characteristics across domains. Furthermore, we introduce a decoupled inference paradigm that mitigates source-specific structural bias by training a new GNN on the distilled structural basis. Extensive experiments on graph and image benchmarks demonstrate that DSBD consistently outperforms state-of-the-art methods.