그래프 도메인 적응을 위한 구조-의미 진화 경로 학습

Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation

그래프 도메인 적응(GDA)은 잘 레이블링된 소스 그래프에서 지식을 전이하여 주어진 레이블이 없는 타겟 그래프 간의 분포 차이를 해소하는 것을 목표로 합니다. 최근 유망한 접근 방식 중 하나는 그래프 전이 과정을 이산화하여, 일반적으로 중간 그래프를 구성하거나 단계별 정렬 절차를 사용하는 것입니다. 그러나 이러한 이산적인 전략은 실제 시나리오에서 종종 실패하는데, 이는 그래프 구조가 지속적이고 비선형적으로 진화하기 때문이며, 고정된 단계 정렬로는 실제 변환 과정을 정확하게 근사하기 어렵기 때문입니다. 이러한 한계점을 극복하기 위해, 우리는 확산(Diffusion) 기반의 GDA 방법인 **DiffGDA**를 제안합니다. DiffGDA는 도메인 적응 과정을 연속 시간 생성 과정으로 모델링합니다. 소스 그래프에서 타겟 그래프로의 진화를 확률 미분 방정식(SDE)을 사용하여 모델링함으로써, 구조적 및 의미적 전환을 동시에 고려할 수 있습니다. 이 진화를 안내하기 위해, 도메인 정보를 활용하는 네트워크를 도입하여 생성 과정을 타겟 도메인으로 유도하고, 확산 경로가 최적의 적응 경로를 따르도록 장려합니다. 우리는 이론적으로 확산 과정이 잠재 공간에서 소스 및 타겟 도메인을 연결하는 최적의 솔루션으로 수렴한다는 것을 증명했습니다. 8개의 실제 데이터 세트에 걸쳐 14개의 그래프 전이 작업에 대한 광범위한 실험 결과, DiffGDA가 최첨단 모델보다 일관되게 우수한 성능을 보였습니다.

Graph Domain Adaptation (GDA) aims to bridge distribution shifts between domains by transferring knowledge from well-labeled source graphs to given unlabeled target graphs. One promising recent approach addresses graph transfer by discretizing the adaptation process, typically through the construction of intermediate graphs or stepwise alignment procedures. However, such discrete strategies often fail in real-world scenarios, where graph structures evolve continuously and nonlinearly, making it difficult for fixed-step alignment to approximate the actual transformation process. To address these limitations, we propose \textbf{DiffGDA}, a \textbf{Diff}usion-based \textbf{GDA} method that models the domain adaptation process as a continuous-time generative process. We formulate the evolution from source to target graphs using stochastic differential equations (SDEs), enabling the joint modeling of structural and semantic transitions. To guide this evolution, a domain-aware network is introduced to steer the generative process toward the target domain, encouraging the diffusion trajectory to follow an optimal adaptation path. We theoretically show that the diffusion process converges to the optimal solution bridging the source and target domains in the latent space. Extensive experiments on 14 graph transfer tasks across 8 real-world datasets demonstrate DiffGDA consistently outperforms state-of-the-art baselines.