Dans cet article, nous proposons une nouvelle méthode, l'augmentation spectrale pour l'adaptation au domaine des graphes (méthode), pour résoudre le problème d'adaptation au domaine dans la classification des nœuds de graphes à l'aide de réseaux de neurones graphes (GNN). Alors que les études précédentes sur l'adaptation au domaine basée sur les GNN se sont principalement concentrées sur l'alignement des espaces de caractéristiques des domaines source et cible, nous présentons une nouvelle approche pour aligner les espaces de caractéristiques de chaque classe dans le domaine spectral. Cette approche repose sur l'observation que les nœuds appartenant à une même catégorie dans différents domaines présentent des caractéristiques similaires dans le domaine spectral, tandis que différentes classes sont très différentes. De plus, nous développons un réseau de neurones convolutif à double graphe pour exploiter la cohérence locale et globale et faciliter le transfert de connaissances inter-domaines à l'aide d'un classificateur de domaine avec un sous-module d'apprentissage contradictoire. Les résultats expérimentaux sur divers jeux de données publics démontrent l'efficacité de la méthode proposée.
