🤖 machine learning

DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation

DisRFM est un cadre d'adaptation de domaine graphique sensible à la géométrie qui exploite l'appariement de flux riemanniens polaires sur des variétés à courbure constante pour préserver les structures topologiques et stabiliser l'optimisation, surpassant ainsi les méthodes adverses euclidiennes existantes dans des conditions de décalages de domaine sémantiques et topologiques.

Auteurs originaux : Yingxu Wang, Xinwang Liu, Mengzhu Wang, Siyang Gao, Nan Yin

Publié 2026-05-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yingxu Wang, Xinwang Liu, Mengzhu Wang, Siyang Gao, Nan Yin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Vue d'Ensemble : Déplacer une Équipe vers une Nouvelle Ville

Imaginez que vous avez une équipe de détectives experts (un programme informatique) formés pour résoudre des crimes dans la Ville A (le Domaine Source). Ils sont excellents dans leur tâche. Maintenant, vous devez les envoyer dans la Ville B (le Domaine Cible) pour résoudre des crimes similaires.

Cependant, la Ville B est différente. Les bâtiments sont agencés différemment, les rues sont plus larges ou plus étroites, et la disposition des quartiers a changé. Si vous dites simplement aux détectives d'« ignorer les différences et d'agir comme s'ils étaient dans la Ville A », ils risquent de se perdre. Ils pourraient oublier comment naviguer dans les nouveaux agencements de rues, ou ils pourraient être tellement confus par les différences qu'ils cessent complètement de reconnaître les criminels.

C'est le problème de l'Adaptation de Domaine sur Graphes. Les « graphes » sont les cartes de ces villes (les nœuds sont des intersections, les arêtes sont des rues). L'objectif est d'enseigner aux détectives à travailler dans la Ville B sans oublier comment résoudre des crimes.

Le Problème : Pourquoi les Anciennes Méthodes Échouent

Les méthodes précédentes tentaient de forcer les détectives à avoir exactement la même apparence dans les deux villes. Le papier soutient que cela cause deux grands problèmes :

Dégradation Structurelle (Le Problème de la « Carte Floue ») :
- L'Analogie : Imaginez essayer de décrire une ville en disant seulement : « C'est une ville ». Vous perdez les détails. Les anciennes méthodes tentaient de faire ressembler la carte de la Ville A exactement à celle de la Ville B en les écrasant ensemble. Ce faisant, elles effaçaient accidentellement la « forme » unique des quartiers.
- Le Résultat : Les détectives perdent la capacité de distinguer différents types de quartiers parce que l'information de « forme » a été lavée.
Instabilité de l'Optimisation (Le Problème de la « Corde Raide Wobbly ») :
- L'Analogie : Former ces anciens modèles est comme essayer de garder l'équilibre sur une corde raide vacillante tout en jonglant. L'ordinateur tente de jouer à un jeu où une partie essaie de cacher les différences entre les villes, et une autre partie tente de les trouver. Lorsque les villes sont très différentes, ce jeu devient chaotique, et l'entraînement oscille (vacille) sans jamais trouver de solution stable.

La Solution : DisRFM (La « Boussole Polaire »)

Les auteurs proposent une nouvelle méthode appelée DisRFM. Au lieu d'écraser les cartes ensemble, ils utilisent un type spécial de géométrie (la géométrie riemannienne) qui traite les cartes comme un globe plutôt que comme un morceau de papier plat.

Ils utilisent un Système de Coordonnées Polaires (comme une boussole avec un rayon et une direction) pour séparer l'information en deux parties distinctes :

1. Le Rayon (Le Cadran de la « Taille »)

Ce que c'est : La distance d'un point par rapport au centre.
L'Analogie : Pensez-y comme à la taille du quartier. Est-ce un petit village ou une mégalopole massive ?
Ce que fait DisRFM : Il ajuste le « cadran de taille » de la ville cible pour qu'il corresponde à la ville source. Si les quartiers de la ville cible sont généralement plus petits, DisRFM réduit la représentation pour qu'ils s'adaptent à l'échelle de la ville source. Cela corrige la « Dégradation Structurelle » en préservant l'information de forme sans l'effacer.

2. L'Angle (Le Cadran de la « Direction »)

Ce que c'est : La direction dans laquelle vous faites face depuis le centre.
L'Analogie : Pensez-y comme au type de quartier (par exemple, « Industriel », « Résidentiel », « Commercial »).
Ce que fait DisRFM : Il aligne les directions. Il s'assure que les zones « Industrielles » de la Ville A pointent dans la même direction que les zones « Industrielles » de la Ville B. Crucialement, il ne fait cela que pour les zones dont il est certain (en filtrant les hypothèses incertaines), empêchant ainsi les détectives de se perdre à cause de mauvaises données.

L'Ingrédient Secret : Flow Matching (Le « Courant de la Rivière »)

Une fois les cartes séparées en « Taille » et « Direction », comment déplace-t-on les détectives de la Ville A vers la Ville B ?

Les anciennes méthodes tentaient de les pousser directement, ce qui est comme lancer une balle à travers une tempête. C'est instable.

DisRFM utilise le Flow Matching.

L'Analogie : Imaginez une rivière coulant doucement de la Ville A vers la Ville B. Au lieu de lancer les détectives, vous les placez sur un bateau qui suit le courant.
Comment cela fonctionne : Le système apprend le « courant » (le champ vectoriel) qui déplace naturellement un graphe de la source vers la cible. Il s'assure que les détectives voyagent le long du chemin le plus efficace et le plus lisse (une géodésique) qui respecte la courbure du globe. Cela rend l'entraînement stable et empêche l'effet de « corde raide vacillante ».

Pourquoi Cela Fonctionne (Les Résultats)

Le papier a testé cela sur divers ensembles de données (comme des molécules chimiques et des structures de protéines).

Le Résultat : DisRFM a systématiquement surpassé toutes les autres méthodes.
La Raison : En séparant la « Taille » (Rayon) du « Type » (Angle) et en les déplaçant le long d'un chemin courbe et lisse, le système a préservé les détails structurels importants tout en s'adaptant avec succès au nouvel environnement.

Résumé

L'Ancienne Façon : Écraser deux cartes différentes ensemble jusqu'à ce qu'elles se ressemblent, en effaçant accidentellement les détails et en faisant vaciller l'entraînement.
La Façon DisRFM : Placer les cartes sur un globe. Ajuster la taille (Rayon) pour correspondre à l'échelle, aligner la direction (Angle) pour correspondre aux types, et les faire naviguer en utilisant un courant de rivière lisse (Flow Matching).

Cette approche conserve les informations structurelles importantes intactes tout en transférant avec succès les connaissances d'un domaine à un autre.

Résumé Technique : DisRFM

Énoncé du Problème

L'adaptation de domaine sur les graphes (GDA) vise à transférer des classificateurs de graphes d'un domaine source étiqueté vers un domaine cible non étiqueté sous des décalages de distribution. Contrairement à l'adaptation de domaine standard dans l'espace des caractéristiques, la GDA fait face simultanément à des décalages sémantiques et topologiques, où la taille du graphe, la densité, les profils de degré et les rôles structurels peuvent varier d'un domaine à l'autre, tandis que la frontière de décision doit rester transférable.

Les méthodes adverses euclidiennes existantes rencontrent deux défis principaux dans ce contexte :

Dégénérescence Structurelle : Les coordonnées euclidiennes confondent l'échelle radiale et la direction. Lorsque la confusion de domaine est imposée via des objectifs adverses, les variations sensibles à la topologie (qui peuvent être enchevêtrées avec des variables de domaine) sont souvent supprimées en même temps que la variation de domaine, érodant ainsi les informations structurelles utiles pour la prédiction sur la cible.
Instabilité de l'Optimisation : L'entraînement minimax entre les encodeurs et les discriminateurs de domaine induit souvent des gradients oscillants ou mal conditionnés, particulièrement sous de grands décalages structurels, conduisant à une dynamique d'entraînement instable.

L'article soutient que la confusion de domaine inconditionnelle est un mode de défaillance structurel ; lorsque la structure pertinente pour les étiquettes est corrélée au domaine, forcer les représentations à être indiscernables peut les rendre non informatives concernant l'étiquette.

Méthodologie : DisRFM

Les auteurs proposent DisRFM (Disentangled Riemannian Flow Matching), un cadre conscient de la géométrie opérant sur des variétés à courbure constante (par exemple, espaces hyperboliques, sphériques ou euclidiens). Au lieu d'une confusion de domaine adverse, DisRFM emploie un apprentissage de représentation riemannien et un transport basé sur les flots pour aligner les domaines tout en préservant la structure pertinente pour les étiquettes.

Le cadre se compose de deux composants principaux :

1. Régularisation des Extrémités Polaires

DisRFM incorpore les représentations de graphes sur une variété à courbure constante et les exprime en coordonnées polaires géodésiques $(r, u)$ , où $r$ est le rayon géodésique et $u$ est la direction angulaire normalisée. Cette géométrie fournit un biais opérationnel séparant les variations sensibles à l'échelle et celles sensibles à la direction :

Calibration Structurelle Radiale : Le rayon $r$ agit comme un proxy pour l'échelle liée à la topologie (par exemple, taille/densité du graphe). DisRFM calibre le profil radial cible sur la source en minimisant la distance de Wasserstein univariée entre les statistiques radiales triées. Cela préserve la diversité liée à la topologie et empêche l'effondrement structurel sans forcer toute la structure dans le rayon.
Alignement Sémantique Angulaire : L'angle $u$ sert de signal normalisé en échelle pour l'alignement sémantique. Puisque les étiquettes cibles sont indisponibles, la méthode utilise des pseudo-étiquettes générées par la source, mais filtre les prédictions incertaines via un seuil de confiance. La perte angulaire aligne les prototypes de classe sur des directions normalisées en échelle, préservant les marges sémantiques tout en utilisant la magnitude radiale comme une a priori de fiabilité douce pour la supervision par pseudo-étiquettes.

2. Appariement de Flot Polaire Conditionné par la Topologie

Pour remplacer l'alignement adverse instable, DisRFM apprend un champ vectoriel qui transporte les embeddings source vers le support cible le long de géodésiques conditionnées par la classe.

Couplage Polaire Arrêté : Pour chaque classe, les échantillons source et les échantillons cibles fiables sont couplés sur la base d'un coût de transport polaire normalisé. Ce coût intègre la distance géométrique, la différence d'échelle radiale, la similarité de direction angulaire et la confiance cible. Un plan de transport entropique (Sinkhorn) est calculé pour déterminer le couplage, avec des gradients arrêtés pendant l'étape de couplage pour assurer la stabilité.
Régression de Flot Corrigée par la Métrique : Un réseau de neurones apprend un champ vectoriel paramétré sous forme polaire (prédisant la vitesse radiale et la vitesse angulaire). La perte d'appariement de flot minimise la différence entre la vitesse apprise et la vitesse analytique le long de l'interpolant géodésique entre les paires couplées. Crucialement, la perte intègre le facteur de déformation de la variété $S_c(r)^2$ pour mesurer correctement les erreurs de vitesse angulaire selon la métrique riemannienne.

Contributions Clés

Identification des Modes de Défaillance Structurels : Les auteurs formalisent, via des arguments théoriques de l'information, pourquoi imposer une invariance de domaine inconditionnelle peut éliminer la structure de graphe pertinente pour les étiquettes lorsque la structure et le domaine sont corrélés, conduisant à une borne inférieure sur l'erreur de classification.
Cadre DisRFM : La proposition d'un cadre novateur intégrant une régularisation radiale/angulaire coordonnée dans des coordonnées polaires riemanniennes avec un appariement de flot conscient de la géométrie. Cette approche évite les pièges de l'entraînement adverse euclidien en remplaçant la confusion de domaine par un alignement de variété conditionné par la classe et contraint par la géométrie.
Analyse Théorique : L'article fournit des garanties théoriques caractérisant le risque structurel de la confusion de domaine et reliant les écarts polaires et les erreurs de flot au risque cible. Il établit l'orthogonalité du premier ordre des pertes d'extrémités radiales et angulaires sous la métrique polaire et fournit des bornes sur le risque cible impliquant des écarts de transport radiaux, angulaires et conditionnés par la topologie.

Résultats Expérimentaux

Des expériences extensives ont été menées sur des ensembles de données de référence (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) sous divers décalages de domaine, incluant la densité de nœuds, la densité d'arêtes et les décalages de caractéristiques.

Performance : DisRFM surpasse systématiquement les références de l'état de l'art, y compris les GNN euclidiens, les GNN basés sur des variétés et diverses méthodes de GDA (adverses, transport optimal et basées sur des variétés). La variante hyperbolique (DisRFM-Hn) a obtenu la meilleure performance moyenne dans 8 cas sur 12, soulignant son avantage dans les décalages structurels riches en hiérarchie.
Stabilité : La méthode présente une forte stabilité d'optimisation, évitant les oscillations de gradients observées dans les références adverses.
Études d'Ablation : La suppression de l'appariement de flot, de l'alignement radial, de l'alignement angulaire ou de la stratégie de désenchevêtrement polaire a tous entraîné une dégradation des performances, confirmant la nécessité de chaque composant.
Analyse de Désenchevêtrement : Des sondages empiriques ont démontré que la coordonnée radiale apprise corrèle principalement avec les statistiques de taille du graphe (nœuds/arêtes), tandis que la coordonnée angulaire porte la majorité de l'information discriminante par classe, soutenant la séparation opérationnelle structure–sémantique.

Importance et Revendications

L'article revendique que DisRFM adresse les limitations fondamentales des méthodes de GDA existantes en reconnaissant que les décalages de domaine sur les graphes enchevêtrent souvent la variation structurelle pertinente pour les étiquettes avec des facteurs de nuisance spécifiques au domaine. En passant d'un alignement adverse euclidien à un transport polaire conditionné par la topologie, DisRFM aligne avec succès les domaines sans effacer les informations sensibles à la structure.

Les auteurs soulignent que leur approche ne suppose pas une factorisation globalement identifiable topologie–sémantique, mais fournit plutôt un biais de régularisation utile pour le transfert de graphes. L'analyse théorique soutient la conception, montrant que le risque cible est contrôlé par les écarts radiaux, les écarts conditionnés par la classe angulaires et les erreurs d'extrémité de flot. Le travail démontre que préserver la structure pertinente pour les étiquettes tout en transportant des échantillons à travers des régions sémantiquement et topologiquement compatibles est une stratégie plus robuste que la confusion de domaine inconditionnelle.