Resumo Técnico: Aprendizado Semântico de Resolução Cruzada para Adaptação de Domínio em Grafos

Definição do Problema

O artigo aborda a Adaptação de Domínio de Grafos (GDA), a tarefa de transferir o conhecimento preditivo de um domínio de grafo rotulado (fonte) para um domínio de grafo não rotulado (alvo) sob mudanças de distribuição. Enquanto os métodos existentes focam em alinhar representações ou regularizar estruturas de grafos, os autores identificam uma limitação crítica e não abordada: o Deslocamento de Resolução Semântica.

Em GDA, a "resolução de propagação" refere-se ao alcance do vizinhança codificado por uma representação de grafo (ex: 0-hop para características de nós, 1-hop para vizinhos imediatos, etc.). Os autores observam que a resolução de propagação na qual a evidência discriminativa de classe é mais forte frequentemente difere entre os domínios de origem e destino. Por exemplo, uma característica aprendida em um alcance de 1-hop no domínio de origem pode ser mais informativa em um alcance de 2-hops no domínio de destino. Os métodos existentes tipicamente impõem uma transferência de mesma resolução implícita, assumindo que o conhecimento aprendido na resolução $r$ na fonte é melhor aplicado na resolução $r$ no alvo. Essa suposição leva a um desempenho subótimo e transferência negativa quando as resoluções ideais não estão alinhadas.

O desafio central é aprender uma correspondência de resolução suave entre fonte e alvo sem rótulos de destino, lidando simultaneamente com três dificuldades específicas:

1. Representações de Resolução Comparáveis: Preservar evidências distintas para diferentes resoluções dentro de um espaço latente compartilhado sem apagar a identidade da resolução.
2. Correspondência sem Rótulos de Destino: Inferir a compatibilidade de resolução sem verdade fundamental (ground truth), evitando o problema de "estimativa acoplada", onde atribuições rígidas prematuras reforçam erros.
3. Transferência ao Nível de Instância sob Incerteza de Classe: Aplicar a correspondência de resolução global a grafos de destino individuais cujos membros de classe são incertos, evitando atribuições rígidas que desloquem as representações para regiões semânticas incorretas.

Metodologia: CReSL

Os autores propõem o Aprendizado Semântico de Resolução Cruzada (CReSL), um framework projetado para aprender e explorar correspondências de resolução cruzada. O método consiste em três componentes principais:

1. Banco de Representações Multi-Resolução com Especialistas de Origem

Para capturar evidências através de diferentes alcances de vizinhança, o CReSL constrói um banco de representações usando um codificador de Redes Neurais de Grafos (GNN) compartilhado e embeddings de resolução aprendíveis.

• Codificação de Resolução: Para um grafo $G$, as características são propagadas em múltiplos ordens pré-definidas $R = \{r_0, \dots, r_J\}$ (ex: 0, 1, 2, 4 hops).
• Espaço Compartilhado: Um codificador compartilhado $\Phi_\theta$ processa essas entradas multi-resolução. Para manter a identidade da resolução, embeddings aprendíveis $E_{res}$ são concatenados com as características dos nós antes da codificação.
• Especialistas de Origem: Cada resolução de origem $j$ está associada a um especialista linear leve $h_j$. Um peso de mistura global $\alpha_j$ determina a contribuição de cada especialista. Esta configuração permite que o modelo avalie representações de destino em qualquer resolução $k$ usando o especialista treinado na resolução de origem $j$, permitindo o roteamento de resolução cruzada.

2. Transporte de Protótipos de Resolução Cruzada (CRPT)

Este módulo aprende a correspondência suave entre as resoluções de origem e destino analisando estruturas condicionadas à classe.

• Construção de Protótipos: Protótipos de classe-resolução são construídos para a origem (usando rótulos reais) e para o destino (usando posteriors suaves).
  • Protótipo de origem $\mu^s_{c,j}$: Média das representações de origem para a classe $c$ na resolução $j$.
  • Protótipo de destino $\mu^t_{c,k}$: Média ponderada pela probabilidade das representações de destino para a classe $c$ na resolução $k$.
• Medição de Discrepância: A compatibilidade entre a resolução de origem $j$ e a resolução de destino $k$ é medida pela distância Euclidiana média por classe entre seus protótipos ($D_{j,k}$).
• Matriz de Roteamento: Uma matriz de roteamento suave $\Gamma$ é atualizada via normalização softmax por linha das discrepâncias negativas. Esta matriz dita quanto peso o especialista de origem $h_j$ deve atribuir à resolução de destino $k$.
• Objetivo: A perda CRPT minimiza a discrepância de protótipo roteada, incentivando o modelo a rotear especialistas para resoluções de destino compatíveis.

3. Enxertia de Destino de Resolução Cruzada (CRTG)

Para adaptar grafos de destino individuais sob incerteza de classe, o CRTG traduz a correspondência global em ajustes específicos de instância.

• Deslocamento de Protótipo: Para cada classe $c$ e par de resolução $(j, k)$, um vetor de deslocamento $\Delta^{j \leftarrow k}_c = \mu^s_{c,j} - \mu^t_{c,k}$ é computado, representando o desvio do protótipo de destino para o protótipo de origem.
• Mistura Ponderada pelo Posterior: Para um grafo de destino $G^t_i$, o deslocamento é uma soma ponderada de deslocamentos condicionados à classe baseados no posterior previsto atual $p^t_{i,c}$. Isso evita a atribuição rígida de classe.
• Enxertia (Grafting): A representação de destino na resolução $k$ é "enxertada" em direção à estrutura de origem ao adicionar o deslocamento ponderado: $\tilde{z}^{j \leftarrow k}_{G^t_i} = z^{(k)}_{G^t_i} + \beta \Delta^{j \leftarrow k}_i$.
• Objetivo de Consistência: Uma perda de divergência KL impõe que a predição da representação enxertada (via especialista $h_j$) se alinhe com o posterior agregado do destino, ponderado pela matriz de roteamento $\Gamma$.

Principais Contribuições

1. Formulação do Problema: O artigo define formalmente o Deslocamento de Resolução Semântica em GDA como a mudança trans-domínio no perfil de resolução de evidências discriminativas de classe, identificando as limitações da transferência de mesma resolução fixa.
2. Framework CReSL: Os autores propõem um método inovador que apresenta:
   • Um banco de representações multi-resolução com especialistas específicos de resolução.
   • CRPT: Um mecanismo para aprender correspondência suave de resolução cruzada usando protótipos de classe-resolução sem rótulos de destino.
   • CRTG: Um mecanismo de enxertia condicionado ao posterior que realiza adaptação ao nível de instância sob incerteza de classe.
3. Validação Empírica: Experimentos extensos em benchmarks de classificação de grafos sob diversos deslocamentos de domínio (estruturais e baseados em características) demonstram que o CReSL supera os baselines de estado da arte.

Resultados Experimentais

Os autores avaliaram o CReSL em vários conjuntos de dados, incluindo Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR e COX2, sob deslocamentos de densidade de nós/arestas e deslocamentos de distribuição de características.

• Desempenho: O CReSL alcançou o melhor desempenho na maioria das configurações, superando fortes baselines como GAA, TDSS, DEAL e GNNs padrão (GCN, GIN).
• Estudos de Ablação: Remover o banco multi-resolução (CReSL w/o MR) ou o roteamento aprendido (CReSL w/o CRR) degradou significativamente o desempenho, confirmando a necessidade de lidar com deslocamentos de resolução. Remover o CRPT ou o CRTG também levou a quedas de desempenho, validando seus papéis complementares no alinhamento de estruturas de classe e refinamento de representações de instância.
• Análise:
  • Correspondência: Visualizações mostraram que a matriz de roteamento aprendida $\Gamma$ coincidiu de perto com uma matriz "oráculo" (calculada com rótulos de destino), identificando corretamente que, por exemplo, especialistas de 0-hop e 1-hop da origem devem rotear para resoluções de 2-hops do destino.
  • Enxertia (Grafting): Visualizações t-SNE demonstraram que o CRTG move efetivamente as representações dispersas de destino em direção a clusters de classe compactos e alinhados com a origem, sem uma translação uniforme, preservando nuances específicas de cada instância.

Significância e Alegações

O artigo afirma que o CReSL avança o campo da Adaptação de Domínio de Grafos ao modelar explicitamente o descompasso nas resoluções de propagação entre domínios. Diferente de métodos anteriores que alinham representações em um único nível de domínio ou assumem pareamento de resolução fixo, o CReSL aprende uma correspondência suave e orientada a dados que roteia o conhecimento da origem para as resoluções de destino mais compatíveis.

Os autores enfatizam que sua abordagem:

• Evita a transferência negativa causada por forçar o conhecimento aprendido em uma resolução a ser aplicado na mesma resolução no destino.
• Lida com a incerteza de classe no domínio de destino usando posteriors suaves tanto para o aprendizado de correspondência quanto para a enxertia ao nível de instância, em vez de depender de pseudo-rótulos rígidos.
• Fornece um limite teórico sobre o risco de destino, mostrando que minimizar a discrepância de protótipo de resolução cruzada e a inconsistência de enxertia estreita o limite de generalização.

O trabalho conclui que abordar explicitamente o deslocamento de resolução semântica é crucial para uma GDA eficaz e sugere direções futuras para estender esses conceitos para espaços de resolução contínuos.