【技术实现步骤摘要】
本专利技术涉及图域适应，尤其涉及一种图节点分类模型训练方法。
技术介绍
1、图域适应(graph domain adaptation)是机器学习中的一个研究领域，它主要关注于如何将从一个或多个源域学习到的知识迁移到一个目标域。在图域适应中，不同的图可能代表不同的环境、不同的时间段或者不同的条件，图域适应的目标则是克服源域和目标域之间的分布差异，以提高模型在目标域上的泛化性能。
2、在图域适应领域，传统的方法依赖于源图和目标图的丰富标签，并通过减少源图和目标图之间的分布差异实现模型的有效迁移和适应。然而，在实际应用中，源图可能因涉及隐私、安全风险或法律问题等原因而不可访问或难以获取，在这种情况下，如何在不直接访问源图的情况下调整模型以提高其泛化性能，成为一个迫切需要解决的问题。
技术实现思路
1、本专利技术实施例的目的是提供一种图节点分类模型训练方法，能够在无法访问源图的情况下对模型进行训练和调整，从而提高模型在目标域上的泛化性能。
2、为实现上述目的，本专利技术实施...
【技术保护点】
1.一种图节点分类模型训练方法，其特征在于，包括：
2.如权利要求1所述的图节点分类模型训练方法，其特征在于，所述代理源图解码损失函数通过以下方式构建：
3.如权利要求2所述的图节点分类模型训练方法，其特征在于，所述源图代理分布为类条件多元高斯分布，则，所述源图代理分布的均值向量和协方差矩阵的计算公式如下：
4.如权利要求2所述的图节点分类模型训练方法，其特征在于，所述代理源图解码损失函数的表达式如下：
5.如权利要求2所述的图节点分类模型训练方法，其特征在于，根据所述代理源节点嵌入和所述目标节点嵌入构建所述跨域图分布自
【技术特征摘要】
1.一种图节点分类模型训练方法，其特征在于，包括：
2.如权利要求1所述的图节点分类模型训练方法，其特征在于，所述代理源图解码损失函数通过以下方式构建：
3.如权利要求2所述的图节点分类模型训练方法，其特征在于，所述源图代理分布为类条件多元高斯分布，则，所述源图代理分布的均值向量和协方差矩阵的计算公式如下：
4.如权利要求2所述的图节点分类模型训练方法，其特征在于，所述代理源图解码损失函数的表达式如下：
5.如权利要求2所述的图节点分类模型训练方法，其特征在于，根据所述代理源节点嵌入和所述目标节点嵌入构建所述跨域图分布自...
【专利技术属性】
技术研发人员：乔子越，蔡谦益，熊辉，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。