🤖 machine learning

Cross-Resolution Semantic Learning for Graph Domain Adaptation

यह शोध पत्र क्रॉस-रेज़ोल्यूशन सिमेंटिक लर्निंग (CReSL) का प्रस्ताव करता है, जो एक नवीन ग्राफ डोमेन अडैप्टेशन विधि है जो मल्टी-रेज़ोल्यूशन रिप्रेजेंटेशन बैंक्स, प्रोटोटाइप ट्रांसपोर्ट और टार्गेट ग्राफ्टिंग के माध्यम से सॉफ्ट सोर्स-टू-टार्गेट रेज़ोल्यूशन पत्राचारों को सीखकर सिमेंटिक रेज़ोल्यूशन शिफ्ट्स को संबोधित करता है ताकि विभिन्न पड़ोस श्रेणियों (नेबरहुड रेंज) में ज्ञान हस्तांतरण को अनुकूलित किया जा सके।

मूल लेखक: Yingxu Wang, Haoze Huang, Zhongkai Zheng, Shangsong Liang

प्रकाशित 2026-08-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yingxu Wang, Haoze Huang, Zhongkai Zheng, Shangsong Liang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक छात्र को एक देश में खेले जाने वाले खेल को दूसरे देश के बिल्कुल अलग खेल के रूप में सिखाने की कोशिश कर रहे हैं। खेल के नियम (यानी "क्लासेस" या श्रेणियाँ) वही हैं, लेकिन मैदान अलग है: घास लंबी है, हवा तेज़ चल रही है, और गेंद अलग तरह से उछलती है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे ग्राफ डोमेन अडैप्टेशन (Graph Domain Adaptation) कहा जाता है। एक "ग्राफ" को कनेक्शन के मानचित्र के रूप में सोचें—जैसे एक सोशल नेटवर्क जहाँ लोग बिंदु (dots) हैं और दोस्ती रेखाएँ (lines) हैं। AI मॉडल इन कनेक्शनों को देखकर चीज़ों की भविष्यवाणी करना सीखते हैं (जैसे कि क्या कोई व्यक्ति किसी विशेष फिल्म को पसंद करता है)।

tricky हिस्सा यह है कि जो "होम फील्ड" (सोर्स डेटा) पर काम करता है, वह हमेशा "अवे फील्ड" (टारगेट डेटा) पर काम नहीं करता। कभी-कभी, किसी मित्र की रुचियों को समझने के लिए, आपको उनके तत्काल सबसे अच्छे दोस्तों (एक छोटी दूरी) को देखना पड़ता है। लेकिन एक अलग फील्ड पर, आपको उनके दोस्तों के दोस्तों, या यहाँ तक कि उनके दोस्तों के दोस्तों के दोस्तों (एक लंबी दूरी) को देखना पड़ सकता है ताकि वही सुराग मिल सके। यह पेपर एक विशिष्ट समस्या का समाधान करता है: क्या होगा यदि देखने की "सही दूरी" बदल जाए जब आप फील्ड बदलते हैं? लेखक इसे सिमेंटिक रेज़ोल्यूशन शिफ्ट (semantic resolution shift) कहते हैं। यह ऐसा ही है जैसे आपके शिक्षक ने आपसे कहा कि एक खोए हुए खिलौने को खोजने के लिए अपने घर के आस-पास के मोहल्ले का अध्ययन करें, लेकिन जब आप एक नए शहर में जाते हैं, तो खिलौना वास्तव में तीन ब्लॉक दूर छिपा होता है। यदि आप उसी आकार के घेरे में देखते रहेंगे, तो आप उसे कभी नहीं ढूंढ पाएंगे।

समस्या: गलत दूरी पर देखना

लेखकों ने देखा कि मौजूदा AI विधियाँ अक्सर एक सरल गलती करती हैं। वे मान लेते हैं कि यदि आपने सोर्स ग्राफ में एक "1-हॉप" पड़ोस (तत्काल पड़ोसी) को देखकर कुछ सीखा है, तो आपको टारगेट ग्राफ में भी "1-हॉप" पड़ोस को ही देखना चाहिए। लेकिन पेपर का तर्क है कि यह अक्सर गलत होता है। भले ही डेटा का अर्थ समान हो, लेकिन इसका मतलब यह नहीं है कि इसे समझने के लिए आवश्यक दूरी भी समान होगी।

वे इस दूरी को AI द्वारा देखे जाने वाला "प्रोपगेशन रेज़ोल्यूशन" (propagation resolution) कहते हैं। कुछ मामलों में, किसी विशिष्ट श्रेणी के लिए सबसे महत्वपूर्ण सुराग सोर्स डेटा में 2-हॉप की दूरी पर मिल सकते हैं, लेकिन टारगेट डेटा में यह 4-हॉप की दूरी पर हो सकते हैं। यदि AI उन्हें अंधाधुंध जोड़ता है (1-हॉप को 1-हॉप के साथ, 2-हॉप को 2-हॉप के साथ), तो यह एक गोल छेद में चौकोर खूँटी फिट करने जैसा है। इसका परिणाम "नेगेटिव ट्रांसफर" (negative transfer) होता है, जहाँ AI वास्तव में खराब हो जाता है क्योंकि वह गलत दृष्टिकोण से सीख रहा होता है।

समाधान: CReSL, द फ्लेक्सिबल डिटेक्टिव (The Flexible Detective)

इसे ठीक करने के लिए, शोधकर्ताओं ने CReSL (क्रॉस-रेज़ोल्यूशन सिमेंटिक लर्निंग) नामक एक नई विधि प्रस्तावित की। एक कठोर मिलान थोपने के बजाय, CReSL एक लचीले जासूस की तरह कार्य करता है जो सोर्स से सही "देखने की दूरी" को टारगेट की सबसे अच्छी "देखने की दूरी" के साथ मिलाना सीखता है।

यह कैसे काम करता है, इसके तीन मनोरंजक चरण यहाँ दिए गए हैं:

मल्टी-रेज़ोल्यूशन बैंक (The Multi-Resolution Bank): कल्पना कीजिए कि AI के पास अलग-अलग कैमरा लेंसों का एक सेट है। एक लेंस करीब से ज़ूम करता है (0-हॉप), एक थोड़ा और दूर देखता है (1-हॉप), और अन्य और भी अधिक ज़ूम आउट करते हैं (2-हॉप, 4-हॉप, आदि)। AI हर लेंस के माध्यम से ग्राफ की तस्वीर लेता है। यह एक "बैंक" बनाता है। महत्वपूर्ण रूप से, यह विवरणों को धुंधला होने से बचाने के लिए इन दृश्यों को अलग रखता है, लेकिन उन सभी को समझने के लिए एक साझा मस्तिष्क का उपयोग करता है।
प्रोटोटाइप ट्रांसपोर्ट (The Matchmaker): यह सबसे चतुर हिस्सा है। AI सोर्स डेटा में विभिन्न श्रेणियों के "प्रोटोटाइप्स" (औसत उदाहरणों) को देखता है। फिर वह पूछता है: "यदि मैं टारगेट डेटा को 2-हॉप लेंस के माध्यम से देखता हूँ, तो क्या यह सोर्स डेटा जैसा दिखता है जिसे 4-हॉप लेंस के माध्यम से देखा गया है?" इसे यह पता लगाने के लिए टारगेट डेटा के सटीक उत्तरों (लेबल) को जानने की आवश्यकता नहीं है। यह यह देखने के लिए एक कोमल, संभाव्य अनुमान (probabilistic guess) का उपयोग करता है कि कौन सा सोर्स लेंस किस टारगेट लेंस के साथ सबसे अच्छा मेल खाता है। यह कुछ ऐसा कहने जैसा है: "नए शहर में 2-हॉप लेंस से दिखने वाला दृश्य पुराने शहर के 4-हॉप दृश्य के सबसे समान महसूस होता है, इसलिए आइए उस कनेक्शन का उपयोग करें।"
टारगेट ग्राफ्टिंग (The Tailor): एक बार जब AI जान जाता है कि कौन से लेंस मेल खाते हैं, तो वह केवल उन्हें बदलता नहीं है; वह ज्ञान को "ग्राफ्ट" (गraft) करता है। वह एक विशिष्ट टारगेट ग्राफ लेता है और उसे सोर्स की संरचना की ओर धीरे से धकेलता है, लेकिन केवल उतना ही जितना AI उस श्रेणी के बारे में आश्वस्त है। यदि AI अनिश्चित है कि कोई ग्राफ "क्लास A" का है या "क्लास B" का, तो वह दोनों वर्गों के लिए समायोजन को मिला देता है। यह AI को एक कठिन, संभावित रूप से गलत अनुमान लगाने से रोकता है। यह एक दर्जी द्वारा सूट को एडजस्ट करने जैसा है: यदि आप निश्चित नहीं हैं कि ग्राहक लंबा है या छोटा, तो आप कपड़े को पूरी तरह से काटने के बजाय एक छोटा, संतुलित समायोजन करते हैं।

उन्होंने क्या पाया

शोधकर्ताओं ने रासायनिक अणुओं और प्रोटीन संरचनाओं सहित विभिन्न ग्राफ डेटासेट्स पर CReSL का परीक्षण किया, जहाँ उन्होंने संरचना या विशेषताओं को बदलकर एक नए "डोमेन" में जाने का अनुकरण किया।

परिणाम बताते हैं कि CReSL काफी प्रभावी है। अपने प्रयोगों में, इसने लगातार अन्य मजबूत विधियों को पछाड़ दिया। उदाहरण के लिए, 'म्यूटोजेनेसिटी' (Mutagenicity) नामक डेटासेट पर, जब एक संरचनात्मक बदलाव से दूसरे में (M0→M1) जा रहे थे, तब CReSL ने 83.0% सटीकता प्राप्त की, जिसने अगले सर्वश्रेष्ठ मेथड (GAA) को पीछे छोड़ दिया जो 79.3% था। एक अन्य बदलाव (M0→M2) पर, इसने 71.2% के मुकाबले 74.6% हासिल किया।

पेपर में एक "सेंसिटिविटी एनालिसिस" (sensitivity analysis) भी शामिल था, जो यह जाँचने जैसा है कि विधि कितनी संवेदनशील है। उन्होंने पाया कि यह विधि तब सबसे अच्छा काम करती है जब यह 4 हॉप तक दूर देखती है (एक रेज़ोल्यूशन डेप्थ J=3, जिसका अर्थ है 0, 1, 2, और 4 हॉप) और जब "ग्राफ्टिंग स्ट्रेंथ" (डेटा को कितना समायोजित किया जाता है) को 0.5 पर सेट किया जाता है। यदि वे डेटा को बहुत अधिक या बहुत कम समायोजित करते, तो प्रदर्शन गिर जाता।

मुख्य निष्कर्ष

यह पेपर यह दावा नहीं करता है कि इसने AI अनुकूलन की पूरी समस्या को हल कर दिया है, लेकिन यह सुझाव देता है कि "समान दूरी = समान अर्थ" मानने का पुराना तरीका त्रुटिपूर्ण है। अलग-अलग डोमेन में विभिन्न "देखने की दूरियों" को मिलाने के तरीके को स्पष्ट रूप से सीखकर, CReSL ज्ञान को अधिक प्रभावी ढंग से स्थानांतरित करने में सक्षम होता है। यह हमें याद दिलाता है कि AI की दुनिया में, कभी-कभी तस्वीर को स्पष्ट रूप से देखने के लिए आपको और दूर तक देखना पड़ता है, और आपको काम के लिए सही "ज़ूम लेवल" का उपयोग करने के बारे में स्मार्ट होना चाहिए।

तकनीकी सारांश: ग्राफ डोमेन अनुकूलन के लिए क्रॉस-रेज़ोल्यूशन सिमेंटिक लर्निंग (Cross-Resolution Semantic Learning for Graph Domain Adaptation)

समस्या की परिभाषा

यह शोध पत्र ग्राफ डोमेन अनुकूलन (Graph Domain Adaptation - GDA) को संबोधित करता है, जो वितरण बदलाव (distribution shifts) के तहत एक लेबल वाले स्रोत ग्राफ डोमेन से एक बिना लेबल वाले लक्ष्य डोमेन में भविष्य कहनेवाला ज्ञान (predictive knowledge) स्थानांतरित करने का कार्य है। जबकि मौजूदा विधियाँ निरूपणों (representations) को संरेखित करने या ग्राफ संरचनाओं को नियमित करने पर ध्यान केंद्रित करती हैं, लेखक एक महत्वपूर्ण, अनसुलझी सीमा की पहचान करते हैं: सिमेंटिक रेज़ोल्यूशन शिफ्ट (Semantic Resolution Shift)।

GDA में, "प्रोपैगेशन रेज़ोल्यूशन" (propagation resolution) उस पड़ोस की सीमा (neighborhood range) को संदर्भित करता है जिसे एक ग्राफ निरूपण द्वारा एनकोड किया जाता है (जैसे, 0-हॉप नोड फीचर्स के लिए, 1-हॉप तत्काल पड़ोसियों के लिए, आदि)। लेखक देखते हैं कि जिस प्रोपैगेशन रेज़ोल्यूशन पर क्लास-डिस्क्रिमिनेटिव साक्ष्य (class-discriminative evidence) सबसे मजबूत होता है, वह अक्सर स्रोत और लक्ष्य डोमेन के बीच भिन्न होता है। उदाहरण के लिए, स्रोत डोमेन में 1-हॉप रेंज में सीखा गया फीचर लक्ष्य डोमेन में 2-हॉप रेंज में सबसे अधिक सूचनात्मक हो सकता है। मौजूदा विधियाँ आमतौर पर निहित समान-रेज़ोल्यूशन स्थानांतरण (implicit same-resolution transfer) लागू करती हैं, यह मानकर कि $r$ रेज़ोल्यूशन पर सीखा गया ज्ञान लक्ष्य में $r$ रेज़ोल्यूशन पर ही सर्वोत्तम रूप से लागू किया जाना चाहिए। यह धारणा सब-ऑप्टिमल प्रदर्शन और नेगेटिव ट्रांसफर की ओर ले जाती है जब इष्टतम रेज़ोल्यूशन मेल नहीं खाते हैं।

मुख्य चुनौती बिना लक्ष्य लेबल के एक सॉफ्ट सोर्स-टू-टारगेट रेज़ोल्यूशन पत्राचार (soft source-to-target resolution correspondence) सीखना है, जबकि तीन विशिष्ट कठिनाइयों को संभालना है:

तुलनीय रेज़ोल्यूशन-विशिष्ट निरूपण (Comparable Resolution-Specific Representations): साझा लेटेंट स्पेस के भीतर रेज़ोल्यूशन पहचान को मिटाए बिना विभिन्न रेज़ोल्यूशनों के लिए विशिष्ट साक्ष्य को संरक्षित करना।
लक्ष्य लेबल के बिना पत्राचार (Correspondence without Target Labels): ग्राउंड ट्रुथ के बिना रेज़ोल्यूशन अनुकूलता का अनुमान लगाना, जिससे "कपल्ड एस्टीमेशन" (coupled estimation) की समस्या से बचना जा सके जहाँ समय से पहले किए गए हार्ड असाइनमेंट त्रुटियों को सुदृढ़ करते हैं।
क्लास अनिश्चितता के तहत इंस्टेंस-लेवल स्थानांतरण (Instance-Level Transfer under Class Uncertainty): व्यक्तिगत लक्ष्य ग्राफों के लिए वैश्विक रेज़ोल्यूशन पत्राचार को लागू करना जिनकी क्लास सदस्यता अनिश्चित है, ताकि हार्ड असाइनमेंट द्वारा निरूपणों को गलत सिमेंटिक क्षेत्रों में जाने से रोका जा सके।

कार्यप्रणाली: CReSL

लेखक क्रॉस-रेज़ोल्यूशन सिमेंटिक लर्निंग (CReSL) प्रस्तावित करते हैं, जो एक फ्रेमवर्क है जिसे क्रॉस-रेज़ोल्यूशन पत्राचार को सीखने और उपयोग करने के लिए डिज़ाइन किया गया है। यह विधि तीन मुख्य घटकों से बनी है:

1. सोर्स एक्सपर्ट्स के साथ मल्टी-रेज़ोल्यूशन रिप्रेजेंटेशन बैंक

विभिन्न पड़ोस श्रेणियों में साक्ष्य कैप्चर करने के लिए, CReSL एक साझा ग्राफ न्यूरल नेटवर्क (GNN) एनकोडर और सीखने योग्य रेज़ोल्यूशन एम्बेडिंग्स (learnable resolution embeddings) का उपयोग करके एक मल्टी-रेज़ोल्यूशन रिप्रेजेंटेशन बैंक बनाता है।

रेज़ोल्यूशन एनकोडिंग: एक ग्राफ $G$ के लिए, फीचर्स को कई पूर्व-निर्धारित ऑर्डर्स $R = \{r_0, \dots, r_J\}$ (जैसे, 0, 1, 2, 4 हॉप्स) पर प्रसारित किया जाता है।
साझा स्पेस: एक साझा एनकोडर $\Phi_\theta$ इन मल्टी-रेज़ोल्यूशन इनपुट्स को प्रोसेस करता है। रेज़ोल्यूशन पहचान बनाए रखने के लिए, एनकोडिंग से पहले नोड फीचर्स के साथ सीखने योग्य एम्बेडिंग्स $E_{res}$ को जोड़ा जाता है।
सोर्स एक्सपर्ट्स: प्रत्येक सोर्स रेज़ोल्यूशन $j$ एक हल्के (lightweight) लीनियर एक्सपर्ट $h_j$ से जुड़ा होता है। एक ग्लोबल मिक्सचर वेट $\alpha_j$ प्रत्येक एक्सपर्ट के योगदान को निर्धारित करता है। यह सेटअप मॉडल को किसी भी रेज़ोल्यूशन $k$ पर लक्ष्य निरूपण का मूल्यांकन करने की अनुमति देता है, जिसका उपयोग सोर्स रेज़ोल्यूशन $j$ पर प्रशिक्षित एक्सपर्ट द्वारा किया जा सकता है, जिससे क्रॉस-रेज़ोल्यूशन रूटिंग संभव होती है।

2. क्रॉस-रेज़ोल्यूशन प्रोटोटाइप ट्रांसपोर्ट (CRPT)

यह मॉड्यूल क्लास-कंडीशनल संरचनाओं का विश्लेषण करके सोर्स और टारगेट रेज़ोल्यूशन के बीच सॉफ्ट पत्राचार सीखता है।

प्रोटोटाइप निर्माण: सोर्स (ग्राउंड ट्रुथ लेबल का उपयोग करके) और टारगेट (सॉफ्ट पोस्टीरियर्स का उपयोग करके) के लिए क्लास-रेज़ोल्यूशन प्रोटोटाइप बनाए जाते हैं।
- सोर्स प्रोटोटाइप $\mu^s_{c,j}$ : रेज़ोल्यूशन $j$ पर क्लास $c$ के लिए सोर्स रिप्रेजेंटेशन का माध्य (mean)।
- टारगेट प्रोटोटाइप $\mu^t_{c,k}$ : क्लास $c$ के लिए टारगेट रिप्रेजेंटेशन का प्रोबेबिलिटी-वेटेड माध्य।
विसंगति मापन (Discrepancy Measurement): सोर्स रेज़ोल्यूशन $j$ और टारगेट रेज़ोल्यूशन $k$ के बीच अनुकूलता को उनके प्रोटोटाइप के क्लास-एवरेज यूक्लिडियन डिस्टेंस ( $D_{j,k}$ ) द्वारा मापा जाता है।
रूटिंग मैट्रिक्स: एक सॉफ्ट रूटिंग मैट्रिक्स $\Gamma$ को नेगेटिव विसंगतियों के रो-वाइज सॉफ्टमैक्स नॉर्मलाइजेशन के माध्यम से अपडेट किया जाता है। यह मैट्रिक्स निर्धारित करता है कि सोर्स एक्सपर्ट $h_j$ को टारगेट रेज़ोल्यूशन $k$ पर कितना भार देना चाहिए।
ऑब्जेक्टिव: CRPT लॉस रूटिंग-वेटेड प्रोटोटाइप विसंगति को कम करता है, जिससे मॉडल को संगत (compatible) टारगेट रेज़ोल्यूशन की ओर एक्सपर्ट्स को रूट करने के लिए प्रोत्साहित किया जाता है।

3. क्रॉस-रेज़ोल्यूशन टारगेट ग्राफ्टिंग (CRTG)

क्लास अनिश्चितता के तहत व्यक्तिगत लक्ष्य ग्राफों को अनुकूलित करने के लिए, CRTG ग्लोबल पत्राचार को इंस्टेंस-विशिष्ट समायोजनों में अनुवादित करता है।

प्रोटोटाइप डिस्प्लेसमेंट: प्रत्येक क्लास $c$ और रेज़ोल्यूशन पेयर $(j, k)$ के लिए, एक डिस्प्लेसमेंट वेक्टर $\Delta^{j \leftarrow k}_c = \mu^s_{c,j} - \mu^t_{c,k}$ की गणना की जाती है, जो टारगेट प्रोटोटाइप से सोर्स प्रोटोटाइप की ओर शिफ्ट को दर्शाता है।
पोस्टीरियर-वेटेड मिक्सिंग: एक टारगेट ग्राफ $G^t_i$ के लिए, डिस्प्लेसमेंट वर्तमान प्रेडिक्टेड पोस्टीरियर $p^t_{i,c}$ पर आधारित क्लास-कंडीशन्ड डिस्प्लेसमेंट्स का एक वेटेड सम है। यह हार्ड क्लास असाइनमेंट से बचता है।
ग्राफ्टिंग: टारगेट रिप्रेजेंटेशन को सोर्स स्ट्रक्चर की ओर "ग्राफ्ट" किया जाता है: $\tilde{z}^{j \leftarrow k}_{G^t_i} = z^{(k)}_{G^t_i} + \beta \Delta^{j \leftarrow k}_i$ ।
कंसिस्टेंसी ऑब्जेक्टिव: एक KL-डाइवर्जेंस लॉस यह सुनिश्चित करता है कि ग्राफ्टेड रिप्रेजेंटेशन (एक्सपर्ट $h_j$ के माध्यम से) से प्राप्त प्रेडिक्शन, रूटिंग मैट्रिक्स $\Gamma$ द्वारा भारित एग्रीगेट टारगेट पोस्टीरियर के साथ संरेखित हो।

मुख्य योगदान

समस्या का स्वरूप (Problem Formulation): यह पेपर GDA में सिमेंटिक रेज़ोल्यूशन शिफ्ट को क्लास-डिस्क्रिमिनेटिव साक्ष्य के क्रॉस-डोमेन रेज़ोल्यूशन प्रोफाइल परिवर्तन के रूप में औपचारिक रूप से परिभाषित करता है, और फिक्स्ड सेम-रेज़ोल्यूशन ट्रांसफर की सीमाओं की पहचान करता है।
CReSL फ्रेमवर्क: लेखक एक नवीन पद्धति प्रस्तावित करते हैं जिसमें शामिल हैं:
- रेज़ोल्यूशन-विशिष्ट एक्सपर्ट्स के साथ एक मल्टी-रेज़ोल्यूशन रिप्रेजेंटेशन बैंक।
- CRPT: बिना लक्ष्य लेबल के क्लास-रेज़ोल्यूशन प्रोटोटाइप का उपयोग करके सॉफ्ट क्रॉस-रेज़ोल्यूशन पत्राचार सीखने का एक तंत्र।
- CRTG: एक पोस्टीरियर-कंडीशन्ड ग्राफ्टिंग मैकेनिज्म जो क्लास अनिश्चितता के तहत इंस्टेंस-लेवल अनुकूलन करता है।
अनुभवजन्य सत्यापन (Empirical Validation): विविध डोमेन शिफ्ट (स्ट्रक्चरल और फीचर-आधारित) के तहत विभिन्न ग्राफ क्लासिफिकेशन बेंचमार्क पर व्यापक प्रयोगों से सिद्ध होता है कि CReSL अत्याधुनिक (state-of-the-art) बेसलाइन्स से बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम

लेखकों ने नोड/एज डेंसिटी शिफ्ट और फीचर डिस्ट्रीब्यूशन शिफ्ट के तहत Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, और COX2 सहित कई डेटासेट्स पर CRL का मूल्यांकन किया।

प्रदर्शन: CReSL ने अधिकांश सेटिंग्स में सर्वश्रेष्ठ प्रदर्शन किया, जिसने GAA, TDSS, DEAL और मानक GNNs (GCN, GIN) जैसे मजबूत बेसलाइन्स को पीछे छोड़ दिया।
एब्लेशन स्टडीज (Ablation Studies): मल्टी-रेज़ोल्यूशन बैंक को हटाने (CReSL w/o MR) या सीखे गए रूटिंग को हटाने (CReSL w/o CRR) से प्रदर्शन में काफी गिरावट आई, जो रेज़ोल्यूशन शिफ्ट को संभालने की आवश्यकता की पुष्टि करता है। CRPT या CRTG को हटाने से भी प्रदर्शन में गिरावट आई, जो क्लास स्ट्रक्चर को संरेखित करने और इंस्टेंस-लेवल रिप्रेजेंटेशन को रिफाइन करने में उनकी पूरक भूमिकाओं को प्रमाणित करता है।
विश्लेषण:
- पत्राचार (Correspondence): विज़ुअलाइज़ेशन ने दिखाया कि सीखा गया रूटिंग मैट्रिक्स $\Gamma$ , एक "ओरेकल" मैट्रिक्स (लक्ष्य लेबल के साथ गणना किया गया) से बारीकी से मेल खाता है, जो सही ढंग से पहचानता है कि, उदाहरण के लिए, 0-हॉप और 1-हॉप सोर्स एक्सपर्ट्स को 2-हॉप टारगेट रेज़ोल्यूशन की ओर रूट किया जाना चाहिए।
- ग्राफ्टिंग (Grafting): t-SNE विज़ुअलाइज़ेशन ने प्रदर्शित किया कि CRTG बिखरे हुए टारगेट रिप्रेजेंटेशन को यूनिफॉर्म ट्रांसलेशन के बिना, कॉम्पैक्ट, सोर्स-अलाइन्ड क्लास क्लस्टर्स की ओर प्रभावी ढंग से ले जाता है, जिससे इंस्टेंस-विशिष्ट बारीकियों को संरक्षित किया जाता है।

महत्व और दावे

यह पेपर दावा करता है कि CReSL, डोमेनों के बीच प्रोपैगेशन रेज़ोल्यूशन के मिसमैच को स्पष्ट रूप से मॉडल करके ग्राफ डोमेन अनुकूलन के क्षेत्र को आगे बढ़ाता है। एकल डोमेन स्तर पर रिप्रेजेंटेशन को संरेखित करने या फिक्स्ड रेज़ोल्यूशन पेयरिंग मानने वाली पिछली विधियों के विपरीत, CRL एक सॉफ्ट, डेटा-ड्रिवन पत्राचार सीखता है जो सोर्स ज्ञान को सबसे संगत टारगेट रेज़ोल्यूशन की ओर रूट करता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण:

नेगेटिव ट्रांसफर से बचता है जो एक रेज़ोल्यूशन पर सीखे गए ज्ञान को टारगेट में उसी रेज़ोल्यूशन पर लागू करने के दबाव से उत्पन्न होता है।
क्लास अनिश्चितता को हैंडल करता है क्योंकि यह पत्राचार सीखने और इंस्टेंस-लेवल ग्राफ्टिंग दोनों के लिए सॉफ्ट पोस्टीरियर्स का उपयोग करता है, न कि हार्ड साइडो-लेबल्स पर निर्भर रहता है।
टारगेट रिस्क पर एक सैद्धांतिक सीमा (theoretical bound) प्रदान करता है, जो दिखाता है कि क्रॉस-रेज़ोल्यूशन प्रोटोटाइप विसंगति और ग्राफ्टिंग इनकंसिस्टेंसी को कम करने से जनरलाइजेशन बाउंड टाइट हो जाता है।

यह कार्य निष्कर्ष निकालता है कि प्रभावी GDA के लिए सिमेंटिक रेज़ोल्यूशन शिफ्ट को स्पष्ट रूप से संबोधित करना महत्वपूर्ण है और इन अवधारणाओं को निरंतर रेज़ोल्यूशन स्पेस (continuous resolution spaces) तक विस्तारित करने के लिए भविष्य की दिशाओं का सुझाव देता है।