Riemannian 흐름 매칭 기반 그래프 도메인 적응

초록

DisRFM은 그래프를 일정 곡률을 갖는 리만 다양체의 극좌표에 임베딩해 구조(반경)와 의미(각도)를 명시적으로 분리한다. 반경은 Wasserstein 거리로 정렬해 구조적 위계성을 보존하고, 각도는 신뢰도 기반 의사라벨 클러스터링으로 의미적 구분을 강화한다. 이후 리만 흐름 매칭을 이용해 소스와 타깃 간의 분포를 지오데식 경로를 따라 연속적으로 이동시켜, 전통적인 적대적 학습에서 발생하던 최적화 불안정을 완전히 제거한다. 이론적으로 흐름 매칭의 점근적 안정성을 증명하고, 목표 위험에 대한 tighter bound를 도출한다. 실험에서는 다양한 그래프 분류 벤치마크에서 기존 최첨단 방법들을 크게 앞선다.

상세 분석

본 논문은 그래프 도메인 적응(GDA)에서 두 가지 근본적인 문제, 즉 구조적 퇴화와 최적화 불안정을 동시에 해결하기 위해 ‘리만 흐름 매칭(Flow Matching)’이라는 새로운 프레임워크를 제시한다. 첫 번째 핵심 아이디어는 그래프 임베딩을 유클리드 공간이 아닌 일정 곡률 (c)를 갖는 리만 다양체 ( \mathcal{M}_c )에 매핑하고, 극좌표(반경 (r)와 각도 (\theta))를 이용해 구조와 의미를 명시적으로 분리한다. 반경은 그래프의 위계적 깊이 혹은 중심성을 나타내며, 각도는 노드 혹은 서브그래프의 의미적 정체성을 표현한다. 이러한 분리는 기존 유클리드 임베딩이 구조와 의미를 동일한 축에 얽어두어 발생하는 ‘구조적 퇴화’를 근본적으로 방지한다.

구조적 정렬은 반경 분포 간 Wasserstein 거리 (L_{\text{RAD}})를 최소화함으로써 수행된다. 저자들은 일변량 경우에 대한 닫힌 형태 해를 이용해 배치 내 정렬을 효율적으로 구현하고, 정렬 과정에서 반경 순서를 정렬하여 L1 차이로 손실을 정의한다. 이는 그래프 전체의 위계적 프로파일을 소스와 타깃 간에 일치시키며, 구조적 정보가 손실되지 않도록 보장한다.

의미적 정렬은 각도 공간에서 수행된다. 소스 도메인의 클래스 프로토타입 (W)를 기준으로 타깃 임베딩의 단위 벡터와 코사인 유사도를 계산하고, 신뢰도 기반 마스크 (M_i)와 반경 가중치 (\alpha_i)를 도입해 노이즈가 많은 의사라벨을 억제한다. 특히, 반경이 작을수록 도메인 불변 특성이 강하다고 가정하고, (\alpha_i = \exp(-|v_i|^2)) 로 가중함으로써 안정적인 구조를 가진 샘플에 더 큰 영향을 부여한다. 최종 손실 (L_{\text{ANG}})는 온도 스케일링 (\gamma)와 함께 교차 엔트로피 형태로 정의되어, 각도 공간에서 명확한 클러스터를 형성하도록 유도한다.

두 번째 핵심 기여는 적대적 학습을 대체하는 리만 흐름 매칭이다. 저자들은 소스와 타깃 분포를 연결하는 연속적인 흐름 (z_t = \text{Exp}{z_S}(t\cdot \text{Log}{z_S}(z_T))) 를 정의하고, 이 흐름을 생성하는 벡터 필드 (u_t) 를 학습한다. 흐름은 지오데식 경로를 따라 이동하므로 에너지 최소화와 함께 곡률에 맞는 자연스러운 변환을 제공한다. 흐름 매칭은 최소 제곱 오차 형태의 회귀 문제로 변환되며, 이는 전통적인 판별기-생성기 게임에서 발생하는 진동·소실 문제를 근본적으로 해소한다. 저자들은 흐름의 공변 가속도가 0임을 이용해 안정성을 수학적으로 증명하고, 수렴 속도가 기존 적대적 방법보다 빠름을 이론적으로 보인다.

또한, 구조·의미 분리를 유지하면서 흐름을 학습하기 위해 경계 조건을 반경과 각도 각각의 목표 분포에만 적용한다. 즉, 중간 단계에서는 반경과 각도가 서로 얽혀 있는 리만 메트릭을 그대로 따르며, 최종 시점에서만 각각의 정렬 목표를 만족한다. 이는 흐름이 비선형 곡률 공간에서도 일관된 지오데식 경로를 유지하도록 강제한다.

이론적 분석 외에도, 저자들은 다양한 공개 그래프 데이터셋(예: MUTAG, PROTEINS, Reddit‑Binary 등)에서 실험을 수행하였다. 실험 결과, DisRFM은 평균 4~7%p의 정확도 향상을 보였으며, 특히 구조적 차이가 큰 도메인 간 적응에서 기존 적대적 방법보다 현저히 안정적인 학습 곡선을 나타냈다. Ablation study를 통해 반경 정렬, 각도 클러스터링, 흐름 매칭 각각이 성능에 기여하는 바를 정량화했으며, 모든 구성 요소를 결합했을 때 최상의 결과를 얻는 것을 확인하였다.

요약하면, 이 논문은 (1) 리만 극좌표를 통한 구조·의미 분리, (2) 반경 Wasserstein 정렬과 각도 의사라벨 클러스터링을 통한 이중 정렬, (3) 흐름 매칭 기반의 안정적인 도메인 전이라는 세 축을 결합해 그래프 도메인 적응의 핵심 문제들을 근본적으로 해결한다는 점에서 큰 의의를 가진다.