Resumo Técnico: DisRFM

Declaração do Problema

A Adaptação de Domínio em Grafos (GDA) visa transferir classificadores de grafos de um domínio fonte rotulado para um domínio alvo não rotulado sob deslocamentos de distribuição. Diferentemente da adaptação de domínio em características euclidiana padrão, a GDA enfrenta deslocamentos semânticos e topológicos simultâneos, onde o tamanho do grafo, a densidade, os perfis de grau e os papéis estruturais podem variar entre domínios, enquanto a fronteira de decisão deve permanecer transferível.

Os métodos adversariais euclidianos existentes enfrentam dois desafios principais neste cenário:

1. Degeneração Estrutural: Coordenadas euclidianas confundem escala radial e direção. Quando a confusão de domínio é imposta por meio de objetivos adversariais, variações sensíveis à topologia (que podem estar entrelaçadas com variáveis de domínio) são frequentemente suprimidas juntamente com a variação de domínio, corroendo informações estruturais úteis para a previsão no alvo.
2. Instabilidade de Otimização: O treinamento minimax entre codificadores e discriminadores de domínio frequentemente induz gradientes oscilatórios ou mal condicionados, particularmente sob grandes deslocamentos estruturais, levando a dinâmicas de treinamento instáveis.

O artigo argumenta que a confusão de domínio incondicional é um modo de falha estrutural; quando a estrutura relevante para rótulos correlaciona-se com o domínio, forçar representações a serem indistinguíveis pode torná-las não informativas sobre o rótulo.

Metodologia: DisRFM

Os autores propõem o DisRFM (Disentangled Riemannian Flow Matching), um framework consciente da geometria que opera em variedades de curvatura constante (por exemplo, espaços Hiperbólicos, Esféricos ou Euclidianos). Em vez de confusão de domínio adversarial, o DisRFM emprega aprendizado de representação Riemanniana e transporte baseado em fluxo para alinhar domínios enquanto preserva a estrutura relevante para rótulos.

O framework consiste em dois componentes principais:

1. Regularização de Ponto Final Polar

O DisRFM incorpora representações de grafos em uma variedade de curvatura constante e as expressa em coordenadas polares geodésicas $(r, u)$, onde $r$ é o raio geodésico e $u$ é a direção angular normalizada. Esta geometria fornece um viés operacional que separa variações sensíveis à escala e sensíveis à direção:

• Calibração Estrutural Radial: O raio $r$ atua como um proxy para a escala relacionada à topologia (por exemplo, tamanho/densidade do grafo). O DisRFM calibra o perfil radial alvo ao da fonte minimizando a distância de Wasserstein univariada entre estatísticas radiais ordenadas. Isso preserva a diversidade relacionada à topologia e previne o colapso estrutural sem forçar toda a estrutura para o raio.
• Alinhamento Semântico Angular: O ângulo $u$ serve como um sinal normalizado por escala para alinhamento semântico. Como os rótulos alvo não estão disponíveis, o método utiliza pseudo-rótulos gerados pela fonte, mas filtra previsões incertas por meio de um limiar de confiança. A perda angular alinha protótipos de classe em direções normalizadas por escala, preservando margens semânticas enquanto usa a magnitude radial como um prior de confiabilidade suave para supervisão de pseudo-rótulos.

2. Casamento de Fluxo Polar Condicionado à Topologia

Para substituir o alinhamento adversarial instável, o DisRFM aprende um campo vetorial que transporta incorporações da fonte em direção ao suporte alvo ao longo de geodésicas condicionadas à classe.

• Acoplamento Polar Interrompido: Para cada classe, amostras da fonte e do alvo confiáveis são acopladas com base em um custo de transporte polar normalizado. Este custo integra distância geométrica, diferença de escala radial, similaridade de direção angular e confiança do alvo. Um plano de transporte entrópico (Sinkhorn) é computado para determinar o acoplamento, com gradientes interrompidos durante a etapa de acoplamento para garantir estabilidade.
• Regressão de Fluxo Corrigida por Métrica: Uma rede neural aprende um campo vetorial parametrizado na forma polar (prevendo velocidade radial e velocidade angular). A perda de casamento de fluxo minimiza a diferença entre a velocidade aprendida e a velocidade analítica ao longo do interpolante geodésico entre pares acoplados. Crucialmente, a perda incorpora o fator de distorção da variedade $S_c(r)^2$ para medir corretamente erros de velocidade angular de acordo com a métrica Riemanniana.

Contribuições Principais

1. Identificação de Modos de Falha Estrutural: Os autores formalizam, por meio de argumentos teóricos da informação, por que impor invariância de domínio incondicional pode remover estrutura de grafo relevante para rótulos quando estrutura e domínio estão correlacionados, levando a um limite inferior para o erro de classificação.
2. Framework DisRFM: A proposta de um novo framework integrando regularização radial/angular coordenada a coordenada em coordenadas polares Riemannianas com casamento de fluxo consciente da geometria. Esta abordagem evita as armadilhas do treinamento adversarial euclidiano substituindo a confusão de domínio por alinhamento de variedade condicionado à classe e restrito pela geometria.
3. Análise Teórica: O artigo fornece garantias teóricas que caracterizam o risco estrutural da confusão de domínio e relacionam discrepâncias polares e erros de fluxo ao risco alvo. Estabelece a ortogonalidade de primeira ordem das perdas de ponto final radial e angular sob a métrica polar e fornece limites para o risco alvo envolvendo discrepâncias de transporte condicionadas à topologia, radiais e angulares.

Resultados Experimentais

Extensos experimentos foram conduzidos em conjuntos de dados de referência (Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, COX2) sob diversos deslocamentos de domínio, incluindo deslocamentos de densidade de nós, densidade de arestas e características.

• Desempenho: O DisRFM supera consistentemente as linhas de base mais avançadas, incluindo GNNs euclidianos, GNNs baseados em variedades e vários métodos de GDA (adversariais, transporte ótimo e baseados em variedades). A variante hiperbólica (DisRFM-Hn) alcançou o melhor desempenho médio em 8 de 12 cenários, destacando sua vantagem em deslocamentos estruturais ricos em hierarquia.
• Estabilidade: O método exibe forte estabilidade de otimização, evitando as oscilações de gradiente observadas em linhas de base adversariais.
• Estudos de Ablação: A remoção do casamento de fluxo, alinhamento radial, alinhamento angular ou da estratégia de desentrelaçamento polar resultou em todos os casos em degradação de desempenho, confirmando a necessidade de cada componente.
• Análise de Desentrelaçamento: Sondagens empíricas demonstraram que a coordenada radial aprendida correlaciona-se principalmente com estatísticas de tamanho do grafo (nós/arestas), enquanto a coordenada angular carrega a maioria das informações discriminativas de classe, apoiando a separação operacional estrutura–semântica.

Significado e Alegações

O artigo alega que o DisRFM aborda as limitações fundamentais dos métodos de GDA existentes ao reconhecer que deslocamentos de domínio em grafos frequentemente entrelaçam variação estrutural relevante para rótulos com fatores de nuisance específicos do domínio. Ao mudar do alinhamento adversarial euclidiano para transporte polar condicionado à topologia, o DisRFM alinha com sucesso domínios sem apagar informações sensíveis à estrutura.

Os autores enfatizam que sua abordagem não assume uma fatoração globalmente identificável de topologia–semântica, mas sim fornece um viés de regularização útil para transferência de grafos. A análise teórica apoia o design, mostrando que o risco alvo é controlado por discrepâncias radiais, discrepâncias condicionais à classe angulares e erros de ponto final de fluxo. O trabalho demonstra que preservar a estrutura relevante para rótulos enquanto transporta amostras através de regiões semanticamente e topologicamente compatíveis é uma estratégia mais robusta do que a confusão de domínio incondicional.