DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation¶
会议: NeurIPS 2026
arXiv: 2602.00656
OpenReview: https://openreview.net/forum?id=mhAWnLhyoC
代码: https://github.com/YingxuWang/DisRFM
领域: 图学习
关键词: 图域自适应, 黎曼流形, 极坐标流匹配, 结构保持, 域漂移
一句话总结¶
针对欧氏对抗图域自适应中拓扑信息被抹平与极小极大训练震荡的痛点，本文提出在常曲率黎曼流形极坐标下解耦径向拓扑尺度与角度类语义，并通过拓扑条件黎曼流匹配实现保结构样本平滑输运。
研究背景与动机¶
图域自适应（Graph Domain Adaptation, GDA）旨在将有标签源图域训练好的分类器迁移至无标签目标图域。与标准图像或表格特征迁移不同，图数据在跨域迁移时往往面临语义分布与拓扑结构的双重漂移，包括图规模、节点度分布、模体模式、稠密度及社区结构的大幅改变。一个理想的图域自适应系统不仅需要对齐任务相关的类语义特征，更必须完整保留对目标域下游预测至关重要的拓扑结构线索。
然而，现有图域自适应主流范式大多采用欧氏潜空间对抗对齐，通过极小极大博弈强制使源域和目标域图表征无法被判别器区分。这一模式在大结构漂移下暴露出两大不可调和的矛盾：一是结构退化（Structural Degeneration），欧氏坐标系各向同性地混淆了尺度与方向，当图拓扑与域标签存在统计相关性时，无条件消除域可区分性会连带抹杀掉与类别强相关的结构变异，导致对齐后拓扑探针性能急剧崩溃；二是优化不稳定（Optimization Instability），判别器与编码器在高维非欧图分布下的对抗博弈极易引发梯度震荡和病态条件数，难以稳定收敛。
常曲率黎曼流形（如双曲空间与球面）天然具备建模层次树状及关系图结构的几何归纳偏置。通过在流形原点建立测地极坐标，径向距离可作为天然的图结构拓扑尺度代理，而归一化切向角度则充当尺度无关的纯语义方向。本文的核心 idea 是将欧氏空间无条件判别混淆替换为常曲率流形上的几何感知输运：通过一维 Wasserstein 径向校准与置信度滤波角度对齐实现极坐标端点正则，并由类兼容与拓扑感知的极坐标黎曼流匹配（RFM）沿测地线平滑输运样本。
方法详解¶
整体框架¶
DisRFM 的核心设计围绕常曲率黎曼流形 \(\mathcal{M}_c\)（曲率 \(c \in \mathbb{R}\)，包含双曲 \(c<0\)、球面 \(c>0\) 和欧氏极限 \(c=0\)）展开。框架将图神经网络编码出的流形表征通过原点对数映射投影至切空间，并解耦为径向标量与角度方向向量。整体流程包含两大协同模块：一是极坐标端点正则化，在源域监督损失之外，对径向距离实施一维 Wasserstein 分布校准以保持拓扑尺度多样性，同时利用置信度与半径加权对角度进行类原型对齐；二是拓扑条件极坐标流匹配，利用类内归一化度量构造最优输运代价矩阵筛选源-目标样本对，并在流形上学习分解速度场，沿常速测地线插值轨迹实现端到端速度回归。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入图 G_S 与 G_T"] --> B["流形 GNN 编码<br/>投影到常曲率流形 M_c"]
B --> C["原点测地极坐标分解<br/>半径 r (拓扑尺度) + 角度 u (类别方向)"]
C --> D["径向结构校准<br/>一维 Wasserstein 距离排序对齐"]
C --> E["角度语义对齐<br/>伪标签置信度与半径衰减加权 CE"]
D --> F["截断极坐标最优输运耦合<br/>综合几何/径向/角度/置信度代价"]
E --> F
F --> G["度量校正极坐标流匹配<br/>测地插值轨迹速度场回归"]
G --> H["目标域图分类输出"]关键设计¶
1. 极坐标端点正则化：解耦拓扑尺度与语义方向 针对各向同性欧氏对齐抹杀拓扑信息的痛点，DisRFM 首先利用流形 GNN 将图编码为 \(\mathbf{z} \in \mathcal{M}_c\)，并在原点切空间 \(T_0\mathcal{M}_c\) 计算测地极坐标 \(\mathbf{v} = \text{Log}_0^c(\mathbf{z})\)，分解为测地半径 \(r = \|\mathbf{v}\|_{g_o}\) 和单位切向方向 \(\mathbf{u} = \mathbf{v} / \|\mathbf{v}\|_2\)。在常曲率度量 \(ds^2 = dr^2 + S_c(r)^2 d\Omega^2\) 下，纯径向与纯角度端点目标在黎曼度量下具有一阶正交性（即 \(\langle \nabla_g \mathcal{L}_{rad}, \nabla_g \mathcal{L}_{ang} \rangle_g = 0\)），从而避免多任务梯度相互干扰。径向结构校准通过最小化源域与目标域小批量径向次序统计量之间的一维 Wasserstein 距离实现： $$ \mathcal{L}{rad} = \frac{1}{B}\sum}^B \left|\mathcal{RS[k] - \mathcal{R}T[k]\right| $$ 该设计无需强行将所有拓扑信息压缩到一维标量中，而是将径向分布作为统计锚点，防止目标域拓扑结构坍缩。在角度对齐上，模型计算目标域方向与源分类器类别原型间的余弦相似度，并以分类置信度阈值掩码 \(M_i = \mathbb{I}(\max_k p(k|\mathbf{v}_T^{(i)}) > \zeta)\) 与径向衰减先验 \(\alpha_i = \exp(-\tau r_T^{(i)})\) 联合加权，抑制不确定伪标签及偏离共享流形的大半径边缘样本带来的确认偏差： $$ \mathcal{L} = \frac{\sum}^B M_i \cdot \alpha_i \cdot \ell_{ce}(\gamma \cdot \mathbf{s}_i, \hat{yi)}{\sum $$}^B M_i \cdot \alpha_i + \epsilon
2. 截断极坐标最优输运耦合：结构与类兼容样本配对 为了克服判别器极小极大对抗导致的训练不稳定性，DisRFM 不对域做无差别混淆，而是将源域和目标域图匹配为语义与几何拓扑兼容的样本对。对于属于相同伪标签类别 \(y\) 的样本，定义标准化极坐标输运代价矩阵： $$ C_{ij}^{(y)} = \widetilde{d}_{\mathcal{M}_c}(z_i^S, z_j^T)^2 + \left|\widetilde{r}_i^S - \widetilde{r}j^T\right|^2 + \widetilde{d}(u_i^S, u_j^T)^2 - \log(\rho_j + \epsilon) $$ 式中各项经过类内批次 z-score 归一化，分别在测地邻近度、拓扑尺度差、角度语义兼容性与目标置信度四个维度对输运路径进行联合惩罚。通过熵正则化最优输运求解最优耦合 plan }\(\pi_y^\star\)，并在输运矩阵后施加 stop-gradient 操作 \(\operatorname{sg}(\pi_B)\)。这一截断耦合作为无偏采样分布为后续流匹配提供端点指导，既完全阻断了 Sinkhorn 迭代展开导致的二阶病态梯度回传，又严格确保只有类兼容且拓扑邻近的图才建立输运流。
3. 度量校正极坐标流回归：曲率自适应连续几何变换 在建立样本对 \((\mathbf{z}_i^S, \mathbf{z}_j^T) \sim \operatorname{sg}(\pi_B)\) 后，传统连续归一化流需要在复杂流形上直接对向量场积分，计算代价高昂。DisRFM 采用流匹配（Flow Matching）范式，直接定义常速测地线插值器 \(\mathbf{z}_t = \text{Exp}_{\mathbf{z}_i^S}^c(t \cdot \text{Log}_{\mathbf{z}_i^S}^c(\mathbf{z}_j^T))\)（\(t \sim \mathcal{U}[0,1]\)）。利用平行输运计算真实解析切速度 \(\xi_t = P_{\mathbf{z}_i^S \to \mathbf{z}_t}^c(\text{Log}_{\mathbf{z}_i^S}^c(\mathbf{z}_j^T))\)，并投影为标量径向速度 \(\dot{r}_t\) 与球面角速度 \(\dot{u}_t \in T_{u_t}\mathbb{S}^{d-1}\)。模型神经网络参数化极坐标向量场 \(\mathbf{v}_\psi = a_\psi \partial_r + b_\psi\)，并根据度量块对角结构引入翘曲因子 \(S_c(r_t)^2\) 构建统一的黎曼回归损失： $$ \mathcal{L}{FM} = \mathbb{E}}_i^S, \mathbf{zj^T)}\left[|a\psi(\mathbf{z}_t, t) - \dot{r}t|^2 + S_c(r_t)^2 |b\psi(\mathbf{z}_t, t) - \dot{u}t|^2\right] $$ 该设计将黎曼流形的固有曲率无缝耦合进回归误差中，使模型在单阶段回归任务中学习到保持几何与测地特性的流形输运场，彻底取代了对抗学习。}
损失函数 / 训练策略¶
DisRFM 的总体训练目标结合了源域监督分类损失与三项几何对齐目标： $$ \mathcal{L}{total} = \mathcal{L}} + \lambda_1 \mathcal{L{rad} + \lambda_2 \mathcal{L} $$ 其中 } + \lambda_3 \mathcal{L}_{FM\(\mathcal{L}_{task} = \mathbb{E}_{(\mathcal{G}_S, y_S)} [-\log p(y_S | \mathbf{v}_S)]\) 计算源域切空间分类的交叉熵损失。作者在流形曲率敏感性实验中确定 \(c = -1.0\)（双曲空间）作为最佳默认值，损失平衡权重设定为 \(\lambda_1 = 0.1, \lambda_2 = 0.1, \lambda_3 = 0.1\)。所有流匹配与最优输运均在小批量级别以无偏采样和截断梯度方式快速前向求解，避免了昂贵的全局二阶求解或常微分方程数值迭代。
实验关键数据¶
主实验¶
论文在 Mutagenicity（包含不同节点密度和边密度划分的漂移场景）以及 6 个分子与生物化学数据集（DD, PROTEINS, BZR, BZR_MD, COX2, COX2_MD，构成特征漂移迁移）上进行了系统评估，对比了经典图核（WL subtree, PathNN）、传统 GNN、非欧流形 GNN（dDGM, RieGrace, ProGDM, D-GCN）以及欧氏与非欧 GDA 基线（DEAL, SGDA, GAA, TDSS, GeoAdapt 等）。
| 数据集迁移任务 | 漂移类型 | DisRFM-\(\mathbb{H}^n\) (本文双曲) | 之前最佳SOTA (GAA / GeoAdapt) | 相对提升 |
|---|---|---|---|---|
| Mutagenicity (\(M_0 \to M_1\)) | 节点密度漂移 | 79.8 ± 0.8% | 79.3 ± 1.2% (GAA) | +0.5% |
| Mutagenicity (\(M_0 \to M_2\)) | 节点密度漂移 | 71.7 ± 0.7% | 71.2 ± 0.7% (GAA) | +0.5% |
| Mutagenicity (\(M_0 \to M_3\)) | 节点密度漂移 | 66.7 ± 0.8% | 65.6 ± 1.3% (GAA) | +1.1% |
| Mutagenicity (\(M_0 \to M_1\)) | 边密度漂移 | 78.3 ± 0.7% | 77.5 ± 1.2% (GAA) | +0.8% |
| Mutagenicity (\(M_0 \to M_2\)) | 边密度漂移 | 71.3 ± 0.4% | 70.0 ± 1.2% (GAA) | +1.3% |
| Mutagenicity (\(M_0 \to M_3\)) | 边密度漂移 | 67.7 ± 0.9% | 66.5 ± 1.3% (GAA) | +1.2% |
| PROTEINS \(\to\) DD (\(P \to D\)) | 特征分布漂移 | 63.3 ± 1.3% | 63.1 ± 1.2% (GeoAdapt) / 63.8% (球面) | +0.7% |
| DD \(\to\) PROTEINS (\(D \to P\)) | 特征分布漂移 | 64.4 ± 1.6% | 64.2 ± 2.4% (MASH) | +0.2% |
| COX2 \(\to\) COX2_MD (\(C \to CM\)) | 特征分布漂移 | 58.3 ± 2.2% | 59.4 ± 1.8% (GAA) / 59.7% (球面) | +0.3% |
| COX2_MD \(\to\) COX2 (\(CM \to C\)) | 特征分布漂移 | 79.0 ± 2.5% | 78.4 ± 1.2% (GAA) | +0.6% |
| BZR \(\to\) BZR_MD (\(B \to BM\)) | 特征分布漂移 | 58.0 ± 1.9% | 57.5 ± 2.7% (GeoAdapt) | +0.5% |
| BZR_MD \(\to\) BZR (\(BM \to B\)) | 特征分布漂移 | 79.4 ± 1.7% | 78.9 ± 2.6% (GOTDA) | +0.5% |
消融实验¶
在 Mutagenicity 数据集不同密度子集双向迁移任务上评估了组件贡献：完整模型（DisRFM）、移除流匹配输运（w/o FM）、移除径向一维 Wasserstein 对齐（w/o RA）、移除角度语义对齐（w/o AA）以及完全禁用极坐标解耦正则化（w/o PE）。
| 配置 | \(M_0 \to M_1\) | \(M_1 \to M_0\) | \(M_0 \to M_2\) | \(M_2 \to M_0\) | \(M_0 \to M_3\) | 说明 |
|---|---|---|---|---|---|---|
| DisRFM (完整模型) | 78.3 | 76.3 | 71.3 | 76.1 | 67.7 | 完整几何感知极坐标流匹配 |
| w/o FM (无流匹配) | 76.2 | 73.6 | 69.6 | 74.0 | 65.3 | 缺少测地流输运指导，掉点 2.1~2.4% |
| w/o RA (无径向校准) | 76.9 | 74.4 | 70.7 | 73.9 | 66.1 | 缺少拓扑尺度对齐，掉点 0.6~2.2% |
| w/o AA (无角度对齐) | 76.4 | 74.0 | 70.2 | 73.5 | 65.7 | 缺少语义原型方向约束，掉点 1.1~2.6% |
| w/o PE (无极坐标解耦) | 75.9 | 72.9 | 69.0 | 72.5 | 64.6 | 结构与语义混杂，性能衰退最严重 (掉点 2.4~3.6%) |
关键发现¶
- 极坐标解耦是抗拓扑退化的生命线：完全移除极坐标解耦（w/o PE）在所有设置下表现出最剧烈的性能下滑（最高下降 3.6%），验证了将混杂的各向同性表征分解为径向尺度与切向方向是避免负迁移的核心前提。
- 几何流输运相比静态对齐优势显著：去掉连续流匹配机制（w/o FM）会导致显著掉点，证明通过测地线向量场连续推拉源域到目标域比单步点对点损失能提供更鲁棒、连续的域间过渡。
- 曲率几何展现任务特异性：双曲几何变体 DisRFM-\(\mathbb{H}^n\) 在 12 项测试中的 8 项取得全局最优，特别是在节点与边密集变化的结构重度漂移下优势突出；而在平坦图结构特征漂移上，球面 DisRFM-\(\mathbb{S}^n\) 表现同样稳健。
亮点与洞察¶
- 严格证明欧氏无条件对抗对齐的结构坍塌风险：通过全变差（Total Variation）理论推导，证明了若拓扑属性与域标识统计相关，强制拉低域间分布间距必将成比例压缩类别条件间距，首次给出了 GDA 对抗对齐抹杀拓扑信息的理论下界。
- 度量正交性与度量解耦损失：在流形极坐标下证明了纯径向与纯角度端点损失梯度具有一阶正交性，且通过度量块对角结构将连续流匹配解析分解为标量速度场与单位球面向量场，数学形式简洁优雅。
- 截断梯度最优输运耦合（Stopped Coupling）：将最优输运从耗时的端到端双层反传中解耦出来，仅作为生成流匹配测地端点的无偏类内配对算子，兼顾全局最优样本匹配与训练极致稳定性。
局限与展望¶
- 流形全局常曲率假设的局限：模型全流程固定全局曲率 \(c = -1.0\)，而复杂真实世界图数据（如社交网络与分子网混合体）在局部区域可能兼具平面、球面与双曲混合几何特性，难以用单一常曲率全面贴合。
- 伪标签置信度阈值依赖经验超参：角度损失和输运代价高度依赖启发式的置信度阈值 \(\zeta\) 与半径衰减系数 \(\tau\)，在超大规模极度嘈杂的目标图域上存在参数微调成本。
- 未来方向：探索数据自适应局部混合曲率学习机制，并将极坐标黎曼流匹配推广至异质图自适应以及条件图生成与分子编辑任务中。
相关工作与启发¶
- vs DEAL / SGDA / GAA (传统欧氏 GDA)：传统方法利用判别器对抗最小化域间分布差距或特征对齐，易导致拓扑破坏与极小极大震荡；DisRFM 借助黎曼极坐标将对齐转为确定性的非对抗流匹配，同时保留径向拓扑多样性。
- vs GeoAdapt / MASH (几何流形域自适应)：已有流形方法仅将节点或图映射到齐次空间进行一阶二阶矩对齐，未将几何坐标分解为拓扑尺度与语义，也未考虑连续动力学输运；DisRFM 引入了黎曼流匹配和极坐标解耦，提供了端到端的连续几何输运保证。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次将常曲率黎曼极坐标分解与流匹配理论引入图域自适应，巧妙解耦了拓扑尺度与语义方向。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖节点、边及特征三种漂移场景，对比了 16 种先进基线，具备充足的消融与几何可视化。
- 写作质量: ⭐⭐⭐⭐⭐ 数学推导严密自洽，从问题发现、理论证明、几何设计到实证分析层层推进。
- 价值: ⭐⭐⭐⭐⭐ 为非欧图域适应与连续保结构生成建模提供了全新的方法论工具。