技術要約：グラフ・ドメイン適応のためのクロス解像度セマンティック学習

問題定義

本論文は、グラフ・ドメイン適応（Graph Domain Adaptation: GDA）、すなわち、分布シフトが存在する条件下で、ラベル付きのソースグラフ・ドメインからラベルなしのターゲット・ドメインへと予測知識を転送するタスクに取り組んでいる。既存の手法は表現の整列やグラフ構造の正則化に焦点を当てているが、著者らは、未解決かつ極めて重要な制限事項として**セマンティック解像度シフト（Semantic Resolution Shift）**を特定している。

GDAにおいて「伝播解像度（propagation resolution）」とは、グラフ表現によってエンコードされる近傍範囲（例：0ホップはノード特徴量、1ホップは直接の隣接ノードなど）を指す。著者らは、クラス判別的な証拠が最も強力になる伝播解像度が、ソース・ドメインとターゲット・ドメインの間で異なる場合があることを指摘している。例えば、ソース・ドメインにおける1ホップ範囲で学習された特徴が、ターゲット・ドメインでは2ホップ範囲において最も情報量が多くなる可能性がある。既存の手法は通常、ソースにおける解像度 $r$ で学習された知識はターゲットにおける解像度 $r$ に適用するのが最適であるという、**暗黙的な同一解像度転送（implicit same-resolution transfer）**を強制している。この仮定は、最適な解像度が一致しない場合に、性能の低下やネガティブな転送を招く。

核心となる課題は、ターゲットのラベルがない状態で、いかにして**ソフトなソース・ターゲット間解像度対応（soft source-to-target resolution correspondence）**を学習するかであり、以下の3つの具体的な困難に対処することである：

1. 比較可能な解像度固有の表現： 解像度のアイデンティティを消去することなく、共有潜在空間内で異なる解像度のための個別の証拠を保持すること。
2. ターゲットラベルなしでの対応付け： 正解ラベルなしで解像度の適合性を推論すること。これにより、時期尚早なハードな割り当てがエラーを増幅させる「結合推定（coupled estimation）」問題を回避する。
3. クラスの不確実性下でのインスタンスレベルの転送： グローバルな解像度対応を、クラス所属が不確かな個々のターゲット・グラフに適用する際、表現を誤ったセマンティック領域へとシフトさせてしまうハードな割り当てを避けること。

手法：CReSL

著者らは、クロス解像度の対応関係を学習し活用するために設計されたフレームワークである**クロス解像度セマンティック学習（Cross-Resolution Semantic Learning: CReSL）**を提案している。この手法は、主に3つのコンポーネントで構成される。

1. ソース・エキスパートを備えたマルチ解像度表現バンク

異なる近傍範囲にわたる証拠を捉えるために、CReSLは共有グラフニューラルネットワーク（GNN）エンコーダと学習可能な解像度埋め込みを用いた表現バンクを構築する。

• 解像度エンコーディング： グラフ $G$ に対して、特徴量は複数の定義された次数 $R = \{r_0, \dots, r_J\}$（例：0, 1, 2, 4 ホップ）で伝播される。
• 共有空間： 共有エンコーダ $\Phi_\theta$ がこれらのマルチ解像度入力を処理する。解像度のアイデンティティを維持するため、学習可能な埋め込み $E_{res}$ がエンコード前にノード特徴量に結合される。
• ソース・エキスパート： 各ソース解像度 $j$ は、軽量な線形エキスパート $h_j$ と関連付けられている。グローバルな混合重み $\alpha_j$ が各エキスパートの寄与を決定する。この構成により、モデルはソース解像度 $j$ で訓練されたエキスパートを用いて、任意のターゲット解像度 $k$ におけるターゲット表現を評価することが可能となり、クロス解像度のルーティングを実現する。

2. クロス解像度プロトタイプ輸送（Cross-Resolution Prototype Transport: CRPT）

このモジュールは、クラス条件付き構造を分析することで、ソースとターゲットの解像度の間のソフトな対応関係を学習する。

• プロトタイプの構築： クラス条件付きプロトタイプが、ソース（正解ラベルを使用）とターゲット（ソフトな事後確率を使用）に対して構築される。
  • ソース・プロトタイプ $\mu^s_{c,j}$：解像度 $j$ におけるクラス $c$ のソース表現の平均。
  • ターゲット・プロトタイプ $\mu^t_{c,k}$：クラス $c$ に関するターゲット表現の確率加重平均。
• 差異の測定： ソース解像度 $j$ とターゲット解像度 $k$ の間の適合性は、それらのプロトタイプ間のクラス平均ユークリッド距離（$D_{j,k}$）によって測定される。
• ルーティング行列： ソフトなルーティング行列 $\Gamma$ は、負の差異に対する行方向のソフトマックス正規化を介して更新される。この行列は、ソースエキスパート $h_j$ がターゲット解像度 $k$ に対してどの程度の重みを置くべきかを規定する。
• 目的関数： CRPT損失は、ルーティング加重されたプロトタイプ差異を最小化し、モデルがエキスパートを互換性のあるターゲット解像度へとルーティングするように促す。

3. クロス解像度ターゲット・グラフティング（Cross-Resolution Target Grafting: CRTG）

クラスの不確実性下で個々のターゲット・グラフを適応させるために、CRTGはグローバルな対応関係をインスタンス固有の調整へと変換する。

• プロトタイプ変位： 各クラス $c$ および解像度ペア $(j, k)$ について、ターゲット・プロトタイプからソース・プロトタイプへのシフトを表す変位ベクトル $\Delta^{j \leftarrow k}_c = \mu^s_{c,j} - \mu^t_{c,k}$ が計算される。
• 事後確率加重混合： ターゲット・グラフ $G^t_i$ に対して、変位は現在の予測事後確率 $p^t_{i,c}$ に基づくクラス条件付き変位の加重和となる。これにより、ハードなクラス割り当てを回避する。
• グラフティング（接ぎ木）： ターゲット表現は、加重された変位を加えることでソース構造へと「グラフト」される：$\tilde{z}^{j \leftarrow k}_{G^t_i} = z^{(k)}_{G^t_i} + \beta \Delta^{j \leftarrow k}_i$。
• 一貫性目的関数： KLダイバージェンス損失を用い、グラフトされた表現からの予測が、ルーティング行列 $\Gamma$ によって重み付けされた集約ターゲット事後確率と一致するように強制する。

主な貢献

1. 問題定式化： 本論文は、GDAにおけるセマンティック解像度シフトを、クラス判別的な証拠の伝播解像度プロファイルの変化として正式に定義し、固定された同一解像度転送の限界を特定した。
2. CReSLフレームワーク： 著者らは、以下の特徴を持つ新しい手法を提案した：
   • 解像度固有のエキスパートを備えたマルチ解像度表現バンク。
   • CRPT： ターゲットラベルなしでクラス・解像度プロトタイプを用いたソフトなクロス解像度対応を学習するメカニタズム。
   • CRTG： クラスの不確実性下でインスタンスレベルの適応を行う、事後確率条件付きのグラフティング・メカニズム。
3. 実証的検証： 多様なドメインシフト（構造および特徴ベース）の下でのグラフ分類ベンチマークに対する広範な実験により、CReSLが最先端のベースラインを上回ることを示した。

実験結果

著者らは、ノード/エッジ密度のシフトおよび特徴分布のシフトを含む、Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2 などの複数のデータセットを用いてCReSLを評価した。

• 性能： CReSLは、GAA、TDSS、DEAL、および標準的なGNN（GCN, GIN）などの強力なベースラインを上回り、ほとんどの設定で最高の性能を達成した。
• アブレーション研究： マルチ解像度バンクを除去した場合（CReSL w/o MR）、または学習されたルーティングを除去した場合（CReSL w/o CRR）は、性能が著しく低下し、解像度シフトを扱う必要性が確認された。また、CRPTまたはCRTGを除去することも性能低下を招き、クラス構造の整列とインスタンスレベルの表現精緻化における両者の補完的な役割が検証された。
• 分析：
  • 対応関係： 可視化の結果、学習されたルーティング行列 $\Gamma$ は、「オラクル（正解ラベルを用いて計算されたもの）」行列と密接に一致しており、例えば、0ホップおよび1ホップのソース・エキスパートがターゲットの2ホップ解像度にルーティングすべきであることを正しく特定していることが示された。
  • グラフティング： t-SNEによる可視化は、CRTGが分散したターゲット表現を、一様な移動ではなく、インスタンス固有のニュアンスを保持しながら、コンパクトでソースに整合したクラス・クラスターへと効果的に移動させていることを示した。

意義と主張

本論文は、ドメイン間の伝播解像度の不一致を明示的にモデル化することで、GDAの分野を前進させると主張している。単一のドメインレベルで表現を整列させる、あるいは固定された解像度ペアリングを仮定する従来の手法とは異なり、CReSLは、ソースの知識を最も互換性のあるターゲット解像度へとルーティングする、ソフトでデータ駆動型の対応関係を学習する。

著者らは、以下の点において自説のアプローチを強調している：

• 同一の解像度で学習された知識を、ターゲットにおける同じ解像度に適用することを強制することによるネガティブな転送を回避する。
• 対応関係の学習とインスタンスレベルのグラフティングの両方において、ハードな疑似ラベルに頼らず、ソフトな事後確率を用いることで、ターゲット・ドメインのクラスの不確実性を扱う。
• クロス解像度プロトタイプ差異とグラフティングの一貫性を最小化することが、汎化境界をタイトにすることを示す理論的境界を提供している。

結論として、本研究は、セマンティック解像度シフトを明示的に扱うことが効果的なGDAにとって極めて重要であることを示し、これらの概念を連続的な解像度空間へと拡張する将来の方向性を提示している。