기술 요약: DisRFM

문제 정의

그래프 도메인 적응 (GDA) 은 분포 변화 하에서 레이블이 지정된 소스 도메인의 그래프 분류기를 레이블이 없는 타겟 도메인으로 전이하는 것을 목표로 합니다. 표준 특징 도메인 적응과 달리, GDA 는 의미론적 및 위상론적 변화를 동시에 직면합니다. 여기서 그래프 크기, 밀도, 차수 프로파일, 구조적 역할은 도메인 간에 변할 수 있지만, 결정 경계는 전이 가능해야 합니다.

기존 유클리드 적대적 방법은 이 설정에서 두 가지 주요 도전에 직면합니다:

1. 구조적 퇴화: 유클리드 좌표는 방사형 스케일과 방향을 혼동합니다. 적대적 목적을 통해 도메인 혼란이 강제될 때, 도메인 변수와 얽혀 있을 수 있는 위상 민감성 변이는 도메인 변이와 함께 종종 억제되어 타겟 예측에 유용한 구조 정보가 훼손됩니다.
2. 최적화 불안정성: 인코더와 도메인 판별기 간의 미니맥스 훈련은 특히 큰 구조적 변화 하에서 진동하거나 조건이 잘 잡히지 않은 기울기를 유발하여 불안정한 훈련 역학을 초래합니다.

이 논문은 무조건적 도메인 혼란이 구조적 실패 모드라고 주장합니다. 레이블 관련 구조가 도메인과 상관관계가 있을 때, 표현을 구별 불가능하게 강제하면 레이블에 대한 정보가 없는 표현이 될 수 있습니다.

방법론: DisRFM

저자들은 DisRFM(Disentangled Riemannian Flow Matching, 분리된 리만 흐름 매칭) 을 제안합니다. 이는 일정한 곡률 다양체 (예: 쌍곡 공간, 구면, 또는 유클리드 공간) 에서 작동하는 기하 인식 프레임워크입니다. 적대적 도메인 혼란 대신 DisRFM 은 리만 표현 학습과 흐름 기반 수송을 활용하여 레이블 관련 구조를 보존하면서 도메인을 정렬합니다.

이 프레임워크는 두 가지 핵심 구성 요소로 구성됩니다:

1. 극단 정규화 (Polar Endpoint Regularization)

DisRFM 은 그래프 표현을 일정한 곡률 다양체에 임베딩하고 측지선 극좌표 $(r, u)$로 표현합니다. 여기서 $r$은 측지선 반지름이고 $u$는 정규화된 각도 방향입니다. 이 기하학은 스케일 민감 변이와 방향 민감 변이를 분리하는 운영적 편향을 제공합니다:

• 방사형 구조 보정: 반지름 $r$은 위상 관련 스케일 (예: 그래프 크기/밀도) 의 대리 역할을 합니다. DisRFM 은 정렬된 방사형 통계 간의 단변량 Wasserstein 거리를 최소화함으로써 소스에 타겟 방사형 프로파일을 보정합니다. 이는 위상 관련 다양성을 보존하고 모든 구조를 반지름으로 강제하지 않으면서 구조적 붕괴를 방지합니다.
• 각도 의미론적 정렬: 각도 $u$는 의미론적 정렬을 위한 스케일 정규화 신호 역할을 합니다. 타겟 레이블을 사용할 수 없으므로, 이 방법은 소스 생성 의사 레이블을 사용하지만 신뢰도 임계값을 통해 불확실한 예측을 필터링합니다. 각도 손실은 스케일 정규화 방향에서 클래스 프로토타입을 정렬하여 의미론적 마진을 보존하면서, 방사형 크기를 의사 레이블 감독을 위한 소프트 신뢰도 사전으로 활용합니다.

2. 위상 조건부 극 흐름 매칭 (Topology-Conditioned Polar Flow Matching)

불안정한 적대적 정렬을 대체하기 위해 DisRFM 은 클래스 조건부 측지선을 따라 소스 임베딩을 타겟 지지 영역으로 수송하는 벡터장을 학습합니다.

• 정지된 극 결합 (Stopped Polar Coupling): 각 클래스에 대해, 소스와 신뢰할 수 있는 타겟 샘플은 정규화된 극 수송 비용을 기반으로 결합됩니다. 이 비용은 기하학적 거리, 방사형 스케일 차이, 각도 방향 유사성, 그리고 타겟 신뢰도를 통합합니다. 결합을 결정하기 위해 엔트로피 수송 계획 (Sinkhorn) 이 계산되며, 결합 단계 동안 기울기를 중단하여 안정성을 보장합니다.
• 계수 보정 흐름 회귀: 신경망은 극 형태로 매개변수화된 벡터장 (방사형 속도와 각도 속도 예측) 을 학습합니다. 흐름 매칭 손실은 결합된 쌍 사이의 측지선 보간을 따라 학습된 속도와 분석적 속도 간의 차이를 최소화합니다. 중요하게도, 이 손실은 리만 계량에 따라 각도 속도 오류를 올바르게 측정하기 위해 다양체의 왜곡 인자 $S_c(r)^2$를 포함합니다.

주요 기여

1. 구조적 실패 모드 식별: 저자들은 정보 이론적 논증을 통해 구조와 도메인이 상관관계가 있을 때 무조건적 도메인 불변성을 강제하면 레이블 관련 그래프 구조가 제거되어 분류 오류에 대한 하한이 발생함을 공식화했습니다.
2. DisRFM 프레임워크: 리만 극좌표에서 좌표별 방사형/각도 정규화와 기하 인식 흐름 매칭을 통합한 새로운 프레임워크를 제안했습니다. 이 접근법은 도메인 혼란을 기하 제약이 있는 클래스 조건부 다양체 정렬로 대체함으로써 유클리드 적대적 훈련의 함정을 피합니다.
3. 이론적 분석: 이 논문은 도메인 혼란의 구조적 위험을 특징짓고 극 편차 및 흐름 오류를 타겟 위험과 연관시키는 이론적 보장을 제공합니다. 이는 극 계량 하에서 방사형 및 각도 끝점 손실의 1 차 직교성을 확립하고, 방사형, 각도, 위상 조건부 수송 편차를 포함하는 타겟 위험에 대한 상한을 제공합니다.

실험 결과

다양한 도메인 변화 (노드 밀도, 엣지 밀도, 특징 변화 포함) 하에서 벤치마크 데이터셋 (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) 에서 광범위한 실험이 수행되었습니다.

• 성능: DisRFM 은 유클리드 GNN, 다양체 기반 GNN, 다양한 GDA 방법 (적대적, 최적 수송, 다양체 기반) 을 포함한 최첨단 베이스라인을 일관되게 능가했습니다. 쌍곡 변형 (DisRFM-Hn) 은 12 가지 시나리오 중 8 가지에서 최고의 평균 성능을 달성하여 계층이 풍부한 구조적 변화에서의 우위를 강조했습니다.
• 안정성: 이 방법은 적대적 베이스라인에서 관찰된 기울기 진동을 피하는 강력한 최적화 안정성을 보입니다.
• 절대성 연구: 흐름 매칭, 방사형 정렬, 각도 정렬, 또는 극 분리 전략을 제거하면 모두 성능 저하가 발생하여 각 구성 요소의 필요성을 확인했습니다.
• 분리 분석: 실증적 탐지는 학습된 방사형 좌표가 주로 그래프 크기 통계 (노드/엣지) 와 상관관계가 있는 반면, 각도 좌표는 대부분의 클래스 구별 정보를 담고 있음을 보여주어 운영적 구조–의미론 분리를 지지했습니다.

중요성 및 주장

이 논문은 DisRFM 이 그래프 도메인 변화가 종종 레이블 관련 구조적 변이를 도메인 특정 노이즈 요인과 얽히게 한다는 점을 인식함으로써 기존 GDA 방법의 근본적 한계를 해결한다고 주장합니다. 유클리드 적대적 정렬에서 위상 조건부 극 수송으로 전환함으로써 DisRFM 은 구조 민감 정보를 지우지 않고 도메인을 성공적으로 정렬합니다.

저자들은 그들의 접근법이 전역적으로 식별 가능한 위상–의미론 분해를 가정하는 것이 아니라 그래프 전이를 위한 유용한 정규화 편향을 제공한다고 강조합니다. 이론적 분석은 설계를 지지하며, 타겟 위험이 방사형 편차, 각도 클래스 조건부 편차, 그리고 흐름 끝점 오류에 의해 제어됨을 보여줍니다. 이 작업은 의미론적 및 위상론적으로 호환되는 영역을 가로질러 샘플을 수송하면서 레이블 관련 구조를 보존하는 것이 무조건적 도메인 혼란보다 더 강력한 전략임을 입증합니다.