본 논문은 그래프 신경망(GNNs)을 이용한 노드 분류에서의 비지도 도메인 적응(UDA) 문제를 다룬다. 기존 UDA 방법들이 독립 동일 분포 데이터에 초점을 맞춰 그래프 구조와 메시지 전달 메커니즘을 충분히 고려하지 못하는 한계를 지적하며, 소스 그래프와 타겟 그래프 간 링크 예측을 통해 메시지 전달을 용이하게 하고 타겟 노드의 이웃 정보를 소스 도메인과 유사하게 만드는 새로운 프레임워크를 제안한다. 이는 타겟 그래프를 수정하여 임베딩 공간에서 소스 도메인과의 차이를 줄이고, 도메인 간 불균형적인 레이블 분포에도 영향을 덜 받도록 한다. 또한, 타겟 그래프의 차별적 정보 손실을 방지하기 위해 새로운 identity-preserving 학습 목표를 제시하여, 에지 삽입 모듈 학습을 재구성 및 적응 손실과 함께 안내한다. 실제 데이터셋을 이용한 실험 결과를 통해 제안된 프레임워크의 효과를 보여준다.
