Riepilogo Tecnico: DisRFM

Enunciato del Problema

L'Adattamento di Dominio sui Grafi (GDA) mira a trasferire classificatori di grafi da un dominio sorgente etichettato a un dominio target non etichettato in presenza di spostamenti di distribuzione. A differenza dell'adattamento standard nel dominio delle caratteristiche, il GDA affronta simultaneamente spostamenti semantici e topologici, dove dimensioni, densità, profili di grado e ruoli strutturali del grafo possono variare tra i domini, mentre il confine decisionale deve rimanere trasferibile.

I metodi avversariali euclidei esistenti affrontano due sfide principali in questo contesto:

1. Degenerazione Strutturale: Le coordinate euclidee confondono scala radiale e direzione. Quando la confusione di dominio è imposta tramite obiettivi avversariali, le variazioni sensibili alla topologia (che possono essere intrecciate con variabili di dominio) vengono spesso soppresse insieme alla variazione di dominio, erodendo le informazioni strutturali utili per la previsione sul target.
2. Instabilità dell'Ottimizzazione: L'addestramento minimax tra encoder e discriminatori di dominio induce spesso gradienti oscillatori o mal condizionati, in particolare sotto grandi spostamenti strutturali, portando a dinamiche di addestramento instabili.

Il documento sostiene che la confusione di dominio incondizionata è una modalità di fallimento strutturale; quando la struttura rilevante per l'etichetta è correlata al dominio, forzare le rappresentazioni a essere indistinguibili può renderle non informative riguardo all'etichetta.

Metodologia: DisRFM

Gli autori propongono DisRFM (Disentangled Riemannian Flow Matching), un framework consapevole della geometria che opera su varietà a curvatura costante (ad esempio, spazi Iperbolici, Sferici o Euclidei). Invece della confusione di dominio avversariale, DisRFM impiega apprendimento di rappresentazione Riemanniana e trasporto basato su flussi per allineare i domini preservando la struttura rilevante per l'etichetta.

Il framework è composto da due componenti fondamentali:

1. Regolarizzazione degli Endpoint Polari

DisRFM incorpora le rappresentazioni del grafo su una varietà a curvatura costante e le esprime in coordinate polari geodetiche $(r, u)$, dove $r$ è il raggio geodetico e $u$ è la direzione angolare normalizzata. Questa geometria fornisce un pregiudizio operativo che separa le variazioni sensibili alla scala da quelle sensibili alla direzione:

• Calibrazione Strutturale Radiale: Il raggio $r$ agisce come un proxy per la scala legata alla topologia (ad esempio, dimensione/densità del grafo). DisRFM calibra il profilo radiale target a quello sorgente minimizzando la distanza di Wasserstein univariata tra le statistiche radiali ordinate. Questo preserva la diversità legata alla topologia e previene il collasso strutturale senza forzare tutta la struttura nel raggio.
• Allineamento Semantico Angolare: L'angolo $u$ funge da segnale normalizzato per la scala per l'allineamento semantico. Poiché le etichette target non sono disponibili, il metodo utilizza pseudo-etichette generate dalla sorgente, ma filtra le previsioni incerte tramite una soglia di confidenza. La perdita angolare allinea i prototipi di classe su direzioni normalizzate per la scala, preservando i margini semantici mentre utilizza la grandezza radiale come prior di affidabilità soft per la supervisione delle pseudo-etichette.

2. Adattamento del Flusso Polare Condizionato alla Topologia

Per sostituire l'allineamento avversariale instabile, DisRFM apprende un campo vettoriale che trasporta le incorporazioni sorgente verso il supporto target lungo geodetiche condizionate alla classe.

• Accoppiamento Polare Interrotto: Per ogni classe, i campioni sorgente e quelli target affidabili sono accoppiati in base a un costo di trasporto polare normalizzato. Questo costo integra la distanza geometrica, la differenza di scala radiale, la similarità della direzione angolare e la confidenza target. Viene calcolato un piano di trasporto entropico (Sinkhorn) per determinare l'accoppiamento, con gradienti interrotti durante il passo di accoppiamento per garantire stabilità.
• Regressione del Flusso Corretta Metricamente: Una rete neurale apprende un campo vettoriale parametrizzato in forma polare (prevedendo velocità radiale e velocità angolare). La perdita di adattamento del flusso minimizza la differenza tra la velocità appresa e la velocità analitica lungo l'interpolante geodetico tra le coppie accoppiate. Crucialmente, la perdita incorpora il fattore di distorsione della varietà $S_c(r)^2$ per misurare correttamente gli errori di velocità angolare secondo la metrica Riemanniana.

Contributi Chiave

1. Identificazione delle Modalità di Fallimento Strutturale: Gli autori formalizzano, tramite argomenti teorico-informatici, perché imporre l'invarianza di dominio incondizionata possa rimuovere la struttura del grafo rilevante per l'etichetta quando struttura e dominio sono correlati, portando a un limite inferiore sull'errore di classificazione.
2. Framework DisRFM: La proposta di un nuovo framework che integra la regolarizzazione radiale/angolare coordinata in coordinate polari Riemanniane con l'adattamento del flusso consapevole della geometria. Questo approccio evita le insidie dell'addestramento avversariale euclideo sostituendo la confusione di dominio con un allineamento di varietà condizionato alla classe e vincolato dalla geometria.
3. Analisi Teorica: Il documento fornisce garanzie teoriche che caratterizzano il rischio strutturale della confusione di dominio e correlano le discrepanze polari e gli errori di flusso al rischio target. Stabilisce l'ortogonalità del primo ordine delle perdite degli endpoint radiali e angolari sotto la metrica polare e fornisce limiti sul rischio target che coinvolgono discrepanze radiali, angolari e di trasporto condizionate alla topologia.

Risultati Sperimentali

Sono stati condotti esperimenti estensivi su dataset di riferimento (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) sotto diversi spostamenti di dominio, inclusi spostamenti di densità dei nodi, densità degli archi e delle caratteristiche.

• Prestazioni: DisRFM supera costantemente i baseline dello stato dell'arte, inclusi GNN euclidei, GNN basati su varietà e vari metodi GDA (avversariali, trasporto ottimo e basati su varietà). La variante iperbolica (DisRFM-Hn) ha ottenuto la migliore prestazione media in 8 scenari su 12, evidenziando il suo vantaggio negli spostamenti strutturali ricchi di gerarchia.
• Stabilità: Il metodo mostra una forte stabilità nell'ottimizzazione, evitando le oscillazioni dei gradienti osservate nei baseline avversariali.
• Studi di Ablazione: La rimozione dell'adattamento del flusso, dell'allineamento radiale, dell'allineamento angolare o della strategia di disaccoppiamento polare ha comportato tutti un degrado delle prestazioni, confermando la necessità di ciascuna componente.
• Analisi del Disaccoppiamento: Sonde empiriche hanno dimostrato che la coordinata radiale appresa è principalmente correlata alle statistiche di dimensione del grafo (nodi/archi), mentre la coordinata angolare trasporta la maggior parte delle informazioni discriminative di classe, supportando la separazione operativa struttura-semantica.

Significato e Affermazioni

Il documento afferma che DisRFM affronta i limiti fondamentali dei metodi GDA esistenti riconoscendo che gli spostamenti di dominio sui grafi spesso intrecciano la variazione strutturale rilevante per l'etichetta con fattori di disturbo specifici del dominio. Spostandosi dall'allineamento avversariale euclideo al trasporto polare condizionato alla topologia, DisRFM allinea con successo i domini senza cancellare le informazioni sensibili alla struttura.

Gli autori sottolineano che il loro approccio non assume una fattorizzazione globalmente identificabile tra topologia e semantica, ma fornisce piuttosto un pregiudizio di regolarizzazione utile per il trasferimento su grafi. L'analisi teorica supporta il progetto, mostrando che il rischio target è controllato dalle discrepanze radiali, dalle discrepanze angolari condizionate alla classe e dagli errori degli endpoint del flusso. Il lavoro dimostra che preservare la struttura rilevante per l'etichetta mentre si trasportano campioni attraverso regioni semanticamente e topologicamente compatibili è una strategia più robusta rispetto alla confusione di dominio incondizionata.