🤖 machine learning

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

DisRFM is een geometrie-bewust framework voor domeinadaptatie op grafen dat gebruikmaakt van polaire Riemanniaanse stroommatching op variëteiten met constante kromming om topologische structuren te behouden en optimalisatie te stabiliseren, waardoor het bestaande Euclidische adversariële methoden overtreft onder semantische en topologische domeinverschuivingen.

Oorspronkelijke auteurs: Yingxu Wang, Xinwang Liu, Mengzhu Wang, Siyang Gao, Nan Yin

Gepubliceerd 2026-05-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yingxu Wang, Xinwang Liu, Mengzhu Wang, Siyang Gao, Nan Yin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Geheel: Een Team Verplaatsen Naar Een Nieuwe Stad

Stel je voor dat je een team van expert-detectives (een computerprogramma) hebt dat is getraind om misdaden op te lossen in Stad A (het Bron-domein). Ze zijn er uitstekend in. Nu moet je hen naar Stad B (het Doel-domein) sturen om vergelijkbare misdaden op te lossen.

Stad B is echter anders. De gebouwen zijn anders gerangschikt, de straten zijn breder of smaller, en de indeling van de wijken is veranderd. Als je de detectives gewoon vertelt "negeer de verschillen en doe alsof je in Stad A bent", raken ze misschien in de war. Ze kunnen vergeten hoe ze de nieuwe straatindelingen moeten navigeren, of ze raken zo in de war door de verschillen dat ze criminelen helemaal niet meer herkennen.

Dit is het probleem van Graph Domain Adaptation. De "grafieken" zijn de kaarten van deze steden (knooppunten zijn kruispunten, randen zijn straten). Het doel is de detectives te leren werken in Stad B zonder te vergeten hoe ze misdaden moeten oplossen.

Het Probleem: Waarom Oude Methoden Falen

Vroegere methoden probeerden de detectives in beide steden exact hetzelfde te laten lijken. Het paper stelt dat dit twee grote problemen veroorzaakt:

Structurele Degeneratie (Het "Vage Kaart"-Probleem):
- De Analogie: Stel je voor dat je probeert een stad te beschrijven door alleen te zeggen: "Het is een stad." Je verliest de details. Oude methoden probeerden de kaart van Stad A exact op Stad B te laten lijken door ze tegen elkaar te drukken. Hierbij hebben ze per ongeluk de unieke "vorm" van de wijken gewist.
- Het Resultaat: De detectives verliezen het vermogen om verschillende soorten wijken uit elkaar te houden, omdat de "vorm"-informatie is weggespoeld.
Optimalisatie-instabiliteit (Het "Wankel Touw"-Probleem):
- De Analogie: Het trainen van deze oude modellen is als proberen in evenwicht te blijven op een wankel touw terwijl je jongleert. De computer probeert een spel te spelen waarbij één deel probeert de verschillen tussen steden te verbergen, en een ander deel probeert ze te vinden. Wanneer de steden zeer verschillend zijn, wordt dit spel chaotisch, en trilt de training (wankelt) zonder ooit een stabiele oplossing te vinden.

De Oplossing: DisRFM (De "Poolkompas")

De auteurs stellen een nieuwe methode voor genaamd DisRFM. In plaats van de kaarten tegen elkaar te drukken, gebruiken ze een speciaal type meetkunde (Riemanniaanse meetkunde) die de kaarten behandelt als een aardbol in plaats van een plat stuk papier.

Ze gebruiken een Polaire Coördinatenstelsel (zoals een kompas met een straal en een richting) om de informatie in twee distincte delen te splitsen:

1. De Straal (De "Grootte"-Draaiknop)

Wat het is: Hoe ver een punt van het centrum verwijderd is.
De Analogie: Denk hierbij aan de grootte van de wijk. Is het een klein dorpje of een enorme metropool?
Wat DisRFM doet: Het past de "grootte-draaiknop" van de doelstad aan om te matchen met de bronstad. Als de wijken in de doelstad over het algemeen kleiner zijn, verkleint DisRFM de representatie zodat ze passen bij de schaal van de bronstad. Dit verhelpt de "Structurele Degeneratie" door de vorminformatie te behouden zonder deze te wissen.

2. De Hoek (De "Richting"-Draaiknop)

Wat het is: De richting waarin je kijkt vanuit het centrum.
De Analogie: Denk hierbij aan het type wijk (bijv. "Industrieel", "Woonwijk", "Commercieel").
Wat DisRFM doet: Het richt de richtingen uit. Het zorgt ervoor dat "Industriële" gebieden in Stad A in dezelfde richting wijzen als "Industriële" gebieden in Stad B. Cruciaal is dat dit alleen gebeurt voor gebieden waar het zeker over is (onzekere gissingen filterend), waardoor detectives niet in de war raken door slechte data.

Het Geheime Ingrediënt: Flow Matching (De "Stroom")

Zodra de kaarten zijn gesplitst in "Grootte" en "Richting", hoe verplaats je dan de detectives van Stad A naar Stad B?

Oude methoden probeerden ze direct te duwen, wat is als het gooien van een bal door een storm. Het is instabiel.

DisRFM gebruikt Flow Matching.

De Analogie: Stel je een rivier voor die soepel stroomt van Stad A naar Stad B. In plaats van de detectives te gooien, plaats je ze in een boot die de stroom volgt.
Hoe het werkt: Het systeem leert de "stroom" (het vectorveld) die een grafiek natuurlijk van de bron naar het doel beweegt. Het zorgt ervoor dat de detectives langs het meest efficiënte, gladde pad (een geodeet) reizen dat de kromming van de aardbol respecteert. Dit maakt de training stabiel en voorkomt het "wankel touw"-effect.

Waarom Het Werkt (De Resultaten)

Het paper heeft dit getest op verschillende datasets (zoals chemische moleculen en eiwitstructuren).

Het Resultaat: DisRFM presteerde consequent beter dan alle andere methoden.
De Reden: Door "Grootte" (Straal) te scheiden van "Type" (Hoek) en ze langs een glad, gebogen pad te verplaatsen, behield het systeem de belangrijke structurele details terwijl het succesvol adapteerde aan de nieuwe omgeving.

Samenvatting

Oude Manier: Druk twee verschillende kaarten tegen elkaar tot ze hetzelfde lijken, waardoor details per ongeluk vervaagd worden en de training begint te wankelen.
DisRFM Manier: Plaats de kaarten op een aardbol. Pas de grootte (Straal) aan om de schaal te matchen, richt de richting (Hoek) uit om de types te matchen, en zeil ze over met een gladde rivierstroom (Flow Matching).

Deze aanpak houdt de belangrijke structurele informatie intact terwijl het kennis succesvol overdraagt van het ene domein naar het andere.

Technische Samenvatting: DisRFM

Probleemstelling

Graph Domain Adaptation (GDA) heeft tot doel grafiekclassificatoren over te dragen van een gelabelde brondomein naar een ongelabeld doeldomein onder distributieveranderingen. In tegenstelling tot standaard adaptatie in het kenmerkdomein, staat GDA voor gelijktijdige semantische en topologische verschuivingen, waarbij grafiekgrootte, dichtheid, graadprofielen en structurele rollen kunnen variëren tussen domeinen, terwijl de beslissingsgrens overdraagbaar moet blijven.

Bestaande Euclidische adversariele methoden staan in deze setting voor twee primaire uitdagingen:

Structurele Degeneratie: Euclidische coördinaten vermengen radiale schaal en richting. Wanneer domeinverwarring wordt afgedwongen via adversariele doelen, worden topologie-gevoelige variaties (die verstrengeld kunnen zijn met domeinvariabelen) vaak onderdrukt samen met domeinvariatie, waardoor structurele informatie die nuttig is voor voorspelling in het doeldomein wordt aangetast.
Optimalisatie-instabiliteit: Minimax-training tussen encoders en domeindiscriminatoren induceert vaak oscillerende of slecht geconditioneerde gradiënten, vooral onder grote structurele verschuivingen, wat leidt tot instabiele trainingsdynamiek.

Het artikel betoogt dat onvoorwaardelijke domeinverwarring een structurele faalmodus is; wanneer label-relevante structuur correleert met het domein, kan het afdwingen dat representaties ononderscheidbaar zijn, deze oninformatief maken over het label.

Methodologie: DisRFM

De auteurs stellen DisRFM (Disentangled Riemannian Flow Matching) voor, een geometrie-bewust raamwerk dat werkt op variëteiten met constante kromming (bijvoorbeeld Hyperbolische, Sferische of Euclidische ruimten). In plaats van adversariele domeinverwarring, maakt DisRFM gebruik van Riemanniaanse representatieleren en flow-gebaseerd transport om domeinen te aligneren terwijl label-relevante structuur behouden blijft.

Het raamwerk bestaat uit twee kerncomponenten:

1. Polar Endpoint Regularization

DisRFM embedt grafiekrepresentaties op een variëteit met constante kromming en drukt deze uit in geodetische polaire coördinaten $(r, u)$ , waarbij $r$ de geodetische straal is en $u$ de genormaliseerde hoekrichting. Deze geometrie biedt een operationele bias die schaal-gevoelige en richting-gevoelige variaties scheidt:

Radiale Structurele Kalibratie: De straal $r$ fungeert als een proxy voor topologie-gerelateerde schaal (bijvoorbeeld grafiekgrootte/dichtheid). DisRFM kalibreert het doelpolaire profiel aan de bron door de univariate Wasserstein-afstand tussen gesorteerde radiale statistieken te minimaliseren. Dit behoudt topologie-gerelateerde diversiteit en voorkomt structurele ineenstorting zonder alle structuur in de straal te forceren.
Angular Semantische Alignering: De hoek $u$ dient als een schaal-genormaliseerd signaal voor semantische alignering. Omdat doellabels niet beschikbaar zijn, gebruikt de methode door de bron gegenereerde pseudo-labels, maar filtert onzekere voorspellingen via een betrouwbaarheidsthereshold. De hoekverliesfunctie aligneert klassenprototypen op schaal-genormaliseerde richtingen, behoudt semantische marges en gebruikt de radiale grootte als een zachte betrouwbaarheids-prior voor pseudo-label supervisie.

2. Topologie-Geconditioneerde Polaire Flow Matching

Om instabiele adversariele alignering te vervangen, leert DisRFM een vectorveld dat bron-embeddings transporteert naar doelondersteuning langs klasse-geconditioneerde geodeten.

Stopped Polar Coupling: Voor elke klasse worden bron- en betrouwbare doelstalen gekoppeld op basis van een genormaliseerde polaire transportkost. Deze kost integreert geometrische afstand, radiaal schaalverschil, hoekrichtingsovereenkomst en doelbetrouwbaarheid. Een entropisch transportplan (Sinkhorn) wordt berekend om de koppeling te bepalen, waarbij gradiënten worden gestopt tijdens de koppelingsstap om stabiliteit te waarborgen.
Metric-Corrected Flow Regression: Een neurale netwerk leert een vectorveld geparametriseerd in polaire vorm (voorspellen van radiale snelheid en hoeksnelheid). De flow-matching-verliesfunctie minimaliseert het verschil tussen de geleerde snelheid en de analytische snelheid langs de geodetische interpolant tussen gekoppelde paren. Cruciaal bevat het verlies de vervormingsfactor $S_c(r)^2$ van de variëteit om hoeksnelheidsfouten correct te meten volgens de Riemanniaanse metriek.

Belangrijkste Bijdragen

Identificatie van Structurele Faalmodi: De auteurs formaliseren, via informatie-theoretische argumenten, waarom het afdwingen van onvoorwaardelijke domeininvariantie label-relevante grafiekstructuur kan verwijderen wanneer structuur en domein gecorreleerd zijn, wat leidt tot een ondergrens voor classificeerfouten.
DisRFM Raamwerk: Het voorstellen van een nieuw raamwerk dat coördinaat-gewijze radiale/hoekige regularisatie in Riemanniaanse polaire coördinaten integreert met geometrie-bewuste flow matching. Deze aanpak vermijdt de valkuilen van Euclidische adversariele training door domeinverwarring te vervangen door geometrie-beperkte, klasse-geconditioneerde variëteitsalignering.
Theoretische Analyse: Het artikel biedt theoretische garanties die het structurele risico van domeinverwarring karakteriseren en polaire discrepanties en flow-fouten relateren aan doelrisico. Het vestigt de eerste-orde orthogonaliteit van radiale en hoekige endpoint-verliezen onder de polaire metriek en biedt grenzen voor doelrisico die radiale, hoekige en topologie-geconditioneerde transportdiscrepanties omvatten.

Experimentele Resultaten

Uitgebreide experimenten werden uitgevoerd op benchmark datasets (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) onder diverse domeinverschuivingen, waaronder knoopdichtheid, randdichtheid en kenmerkverschuivingen.

Prestaties: DisRFM presteert consequent beter dan state-of-the-art baselines, waaronder Euclidische GNN's, variëteit-gebaseerde GNN's en diverse GDA-methoden (adversariele, optimale transport en variëteit-gebaseerde). De hyperbolische variant (DisRFM-Hn) behaalde de beste gemiddelde prestatie in 8 van de 12 scenario's, wat zijn voordeel benadrukt in hiërarchie-rijke structurele verschuivingen.
Stabiliteit: De methode vertoont sterke optimalisatiestabiliteit en vermijdt de gradiëntoscillaties die worden waargenomen bij adversariele baselines.
Ablatie Studies: Het verwijderen van flow matching, radiale alignering, hoekige alignering of de polaire disentangling-strategie resulteerde allemaal in prestatieachteruitgang, wat de noodzaak van elke component bevestigt.
Disentangling Analyse: Empirische probes toonden aan dat de geleerde radiale coördinaat voornamelijk correleert met grafiekgroottestatistieken (knooppunten/randen), terwijl de hoekige coördinaat het grootste deel van de klasse-discriminerende informatie draagt, wat de operationele scheiding tussen structuur en semantiek ondersteunt.

Betekenis en Claims

Het artikel claimt dat DisRFM de fundamentele beperkingen van bestaande GDA-methoden aanpakt door te erkennen dat grafiekdomeinverschuivingen vaak label-relevante structurele variatie verstrengelen met domeinspecifieke storende factoren. Door te verschuiven van Euclidische adversariele alignering naar topologie-geconditioneerd polair transport, slaagt DisRFM erin domeinen te aligneren zonder structureel-gevoelige informatie te wissen.

De auteurs benadrukken dat hun aanpak niet uitgaat van een globaal identificeerbare topologie-semantiek-factorisatie, maar eerder een nuttige regularisatie-bias biedt voor grafiektransfer. Theoretische analyse ondersteunt het ontwerp en toont aan dat doelrisico wordt gecontroleerd door radiale discrepanties, klasse-geconditioneerde hoekdiscrepanties en flow endpoint-fouten. Het werk demonstreert dat het behouden van label-relevante structuur tijdens het transporteren van stalen over semantisch en topologisch compatibele regio's een robuustere strategie is dan onvoorwaardelijke domeinverwarring.