DisRFM：用于结构保持性图域适应的极地罗米尼流匹配
机器学习
2026-05-08 v2
摘要
图域适应 (GDA) 旨在在具有语义和拓扑变化的域之间传递图分类器。现有的欧几里得对抗方法面临两个挑战：结构退化，即域混淆会捕获并抑制与标签相关的拓扑结构；以及优化不稳定性，即在大规模结构变化下，minimax 训练导致振荡性梯度。我们提出 DisRFM，一个几何感知的 GDA 框架，通过罗米尼表示学习和基于流的运输来解决这些挑战。DisRFM 在常曲率流形上嵌入图表示，并以测地线极坐标表示。极点终点正则化通过单变量 Wasserstein 对齐校准拓扑敏感的径向尺度，并通过置信度筛选的角度对齐保存尺度归一化的类别语义，径向大小调制伪标签可靠性。DisRFM 引入受拓扑条件制约的极点流匹配，将兼容的源域和目标域样本通过归一化极点运输成本耦合，并沿测地线插值学习度量校正的向量场。理论分析刻画了无条件域混淆的结构风险，并将极点差异和流误差与目标风险关联。广泛的实验在各种域移情形下表明，DisRFM 在结构保持性方面 consistently 优于最先进的方法。
关键词
引用
@article{arxiv.2602.00656,
title = {DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation},
author = {Yingxu Wang and Xinwang Liu and Mengzhu Wang and Siyang Gao and Nan Yin},
journal= {arXiv preprint arXiv:2602.00656},
year = {2026}
}