Resumen Técnico: DisRFM

Enunciado del Problema

La Adaptación de Dominio en Grafos (GDA) tiene como objetivo transferir clasificadores de grafos desde un dominio fuente etiquetado hacia un dominio objetivo no etiquetado bajo desplazamientos de distribución. A diferencia de la adaptación estándar en el dominio de características, la GDA enfrenta simultáneamente desplazamientos semánticos y topológicos, donde el tamaño del grafo, la densidad, los perfiles de grado y los roles estructurales pueden variar entre dominios, mientras que el límite de decisión debe seguir siendo transferible.

Los métodos adversarios euclídeos existentes enfrentan dos desafíos principales en este escenario:

1. Degeneración Estructural: Las coordenadas euclídeas confunden la escala radial y la dirección. Cuando se impone la confusión de dominio mediante objetivos adversarios, las variaciones sensibles a la topología (que pueden estar entrelazadas con variables de dominio) a menudo se suprimen junto con la variación de dominio, erosionando la información estructural útil para la predicción en el objetivo.
2. Inestabilidad de Optimización: El entrenamiento minimax entre codificadores y discriminadores de dominio a menudo induce gradientes oscilatorios o mal condicionados, particularmente bajo grandes desplazamientos estructurales, lo que conduce a dinámicas de entrenamiento inestables.

El artículo argumenta que la confusión de dominio incondicional es un modo de fallo estructural; cuando la estructura relevante para la etiqueta se correlaciona con el dominio, forzar que las representaciones sean indistinguibles puede hacerlas no informativas sobre la etiqueta.

Metodología: DisRFM

Los autores proponen DisRFM (Disentangled Riemannian Flow Matching), un marco consciente de la geometría que opera en variedades de curvatura constante (por ejemplo, espacios hiperbólicos, esféricos o euclídeos). En lugar de la confusión de dominio adversaria, DisRFM emplea aprendizaje de representaciones riemannianas y transporte basado en flujos para alinear los dominios preservando la estructura relevante para la etiqueta.

El marco consta de dos componentes principales:

1. Regularización de Puntos Polares

DisRFM incrusta las representaciones de grafos en una variedad de curvatura constante y las expresa en coordenadas polares geodésicas $(r, u)$, donde $r$ es el radio geodésico y $u$ es la dirección angular normalizada. Esta geometría proporciona un sesgo operativo que separa las variaciones sensibles a la escala y las sensibles a la dirección:

• Calibración Estructural Radial: El radio $r$ actúa como un proxy para la escala relacionada con la topología (por ejemplo, tamaño/densidad del grafo). DisRFM calibra el perfil radial objetivo al de la fuente minimizando la distancia de Wasserstein univariada entre las estadísticas radiales ordenadas. Esto preserva la diversidad relacionada con la topología y evita el colapso estructural sin forzar toda la estructura hacia el radio.
• Alineación Semántica Angular: El ángulo $u$ sirve como una señal normalizada por escala para la alineación semántica. Dado que las etiquetas objetivo no están disponibles, el método utiliza pseudoetiquetas generadas por la fuente, pero filtra las predicciones inciertas mediante un umbral de confianza. La pérdida angular alinea los prototipos de clase en direcciones normalizadas por escala, preservando los márgenes semánticos mientras utiliza la magnitud radial como un prior de fiabilidad suave para la supervisión de pseudoetiquetas.

2. Emparejamiento de Flujos Polares Condicionados a la Topología

Para reemplazar la alineación adversaria inestable, DisRFM aprende un campo vectorial que transporta las incrustaciones de la fuente hacia el soporte objetivo a lo largo de geodésicas condicionadas por clase.

• Acoplamiento Polar Detenido: Para cada clase, las muestras de la fuente y las muestras objetivo confiables se acoplan basándose en un costo de transporte polar normalizado. Este costo integra la distancia geométrica, la diferencia de escala radial, la similitud de dirección angular y la confianza del objetivo. Se calcula un plan de transporte entrópico (Sinkhorn) para determinar el acoplamiento, deteniendo los gradientes durante el paso de acoplamiento para garantizar la estabilidad.
• Regresión de Flujos Corregida por Métrica: Una red neuronal aprende un campo vectorial parametrizado en forma polar (prediciendo la velocidad radial y la velocidad angular). La pérdida de emparejamiento de flujos minimiza la diferencia entre la velocidad aprendida y la velocidad analítica a lo largo del interpolante geodésico entre pares acoplados. Críticamente, la pérdida incorpora el factor de distorsión de la variedad $S_c(r)^2$ para medir correctamente los errores de velocidad angular según la métrica riemanniana.

Contribuciones Clave

1. Identificación de Modos de Fallo Estructurales: Los autores formalizan, mediante argumentos teóricos de la información, por qué imponer invariancia de dominio incondicional puede eliminar la estructura de grafos relevante para la etiqueta cuando la estructura y el dominio están correlacionados, lo que conduce a un límite inferior en el error de clasificación.
2. Marco DisRFM: La propuesta de un marco novedoso que integra la regularización radial/angular por coordenadas en coordenadas polares riemannianas con emparejamiento de flujos consciente de la geometría. Este enfoque evita las trampas del entrenamiento adversario euclídeo reemplazando la confusión de dominio con una alineación de variedades condicionada por la geometría y por clase.
3. Análisis Teórico: El artículo proporciona garantías teóricas que caracterizan el riesgo estructural de la confusión de dominio y relacionan las discrepancias polares y los errores de flujo con el riesgo objetivo. Establece la ortogonalidad de primer orden de las pérdidas de puntos finales radiales y angulares bajo la métrica polar y proporciona límites sobre el riesgo objetivo que involucran discrepancias de transporte condicionadas por topología, radiales y angulares.

Resultados Experimentales

Se realizaron experimentos extensos en conjuntos de datos de referencia (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) bajo diversos desplazamientos de dominio, incluyendo desplazamientos de densidad de nodos, densidad de aristas y características.

• Rendimiento: DisRFM supera consistentemente a las líneas base más avanzadas, incluyendo GNNs euclídeos, GNNs basados en variedades y diversos métodos de GDA (adversarios, transporte óptimo y basados en variedades). La variante hiperbólica (DisRFM-Hn) logró el mejor rendimiento medio en 8 de 12 escenarios, destacando su ventaja en desplazamientos estructurales ricos en jerarquía.
• Estabilidad: El método exhibe una fuerte estabilidad de optimización, evitando las oscilaciones de gradiente observadas en las líneas base adversarias.
• Estudios de Ablación: Eliminar el emparejamiento de flujos, la alineación radial, la alineación angular o la estrategia de desentrelazamiento polar resultó en todos los casos en una degradación del rendimiento, confirmando la necesidad de cada componente.
• Análisis de Desentrelazamiento: Las sondas empíricas demostraron que la coordenada radial aprendida se correlaciona principalmente con estadísticas de tamaño del grafo (nodos/aristas), mientras que la coordenada angular porta la mayor parte de la información discriminativa de clase, apoyando la separación operativa estructura–semántica.

Significado y Afirmaciones

El artículo afirma que DisRFM aborda las limitaciones fundamentales de los métodos existentes de GDA al reconocer que los desplazamientos de dominio en grafos a menudo entrelazan la variación estructural relevante para la etiqueta con factores de molestia específicos del dominio. Al pasar de la alineación adversaria euclídea al transporte polar condicionado a la topología, DisRFM alinea con éxito los dominios sin borrar la información sensible a la estructura.

Los autores enfatizan que su enfoque no asume una factorización globalmente identificable de topología–semántica, sino que proporciona un sesgo de regularización útil para la transferencia de grafos. El análisis teórico respalda el diseño, mostrando que el riesgo objetivo está controlado por las discrepancias radiales, las discrepancias condicionales por clase angulares y los errores de puntos finales de flujo. El trabajo demuestra que preservar la estructura relevante para la etiqueta mientras se transportan muestras a través de regiones semántica y topológicamente compatibles es una estrategia más robusta que la confusión de dominio incondicional.