图神经网络做域适应的文献

图神经网络(Graph Neural Networks, GNNs)在处理结构化的数据如社交网络、化学分子等时表现出色，它们能够捕捉节点之间的复杂关系。对于领域适应(Transfer Learning on Graphs)，许多研究将GNN应用到跨领域的图数据分析任务上，旨在提高模型在新环境下的性能。一些相关的文献包括：

1. "Inductive Representation Learning on Large Graphs" (Kipf & Welling, 2016) 提出了Graph Convolutional Network (GCN)，它是最早用于无监督领域适应的GNN模型之一，通过在源域学习特征表示然后转移到目标域。

2. "Adversarial Domain Adaptation for Graph Embeddings" (Zhu et al., 2019) 研究了对抗性训练策略在图嵌入上的应用，目的是减小源域和目标域间的分布差距。

3. "Graph Contrastive Learning for Domain Adaptive Node Classification" (You et al., 2020) 利用了对比学习的方式，通过对不同领域的图数据进行自相似性和异质性的学习，提升模型的泛化能力。

4. "Meta-GNN: Meta-Learning with Graph Neural Networks for Transfer Learning on Graphs" (Hu et al., 2020) 介绍了元学习在图神经网络中的应用，使得模型能够在新的图数据集上快速调整其参数。