신경 특성 함수를 이용한 적응적 분포 정렬을 통한 그래프 도메인 적응

Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation

그래프 도메인 적응(GDA)은 레이블이 있는 소스 그래프의 지식을 레이블이 없는 대상 그래프로 이전하지만, 복잡하고 다면적인 분포 변화로 인해 어려움을 겪습니다. 기존 방법들은 수동으로 선택된 그래프 요소(예: 노드 속성 또는 구조 통계)를 정렬하여 분포 변화를 줄이려고 시도하지만, 일반적으로 관련 특징을 추출하기 위해 수동으로 설계된 그래프 필터가 필요합니다. 그러나 이러한 접근 방식은 유연성이 부족합니다. 즉, 특정 시나리오에 맞는 휴리스틱에 의존하며, 주요 차이가 이전 시나리오마다 다를 때 어려움을 겪습니다. 이러한 제한 사항을 해결하기 위해, 본 논문에서는 GDA를 위한 적응적 분포 정렬 프레임워크인 **ADAlign**을 제안합니다. 휴리스틱 방법과 달리, ADAlign은 정렬 기준에 대한 수동적인 지정이 필요하지 않습니다. ADAlign은 각 이전 과정에서 가장 관련성이 높은 불일치를 자동으로 식별하고, 속성, 구조 및 그 종속성 간의 상호 작용을 포착하면서 동시에 정렬합니다. 이를 통해 ADAlign은 유연하고, 시나리오에 대한 인지 능력이 뛰어나며, 다양한 및 동적으로 변화하는 변화에 강건합니다. 이러한 적응성을 가능하게 하기 위해, 우리는 이론적으로 정당화된 매개변수 거리인 Neural Spectral Discrepancy (NSD)를 도입합니다. NSD는 모든 차수의 특징-구조 종속성을 인코딩하기 위해 주파수 도메인에서 신경 특성 함수를 활용하며, 학습 가능한 주파수 샘플러는 minimax 패러다임을 통해 각 작업에 가장 유용한 스펙트럼 구성 요소를 적응적으로 강조합니다. 10개의 데이터 세트와 16개의 이전 작업에 대한 광범위한 실험 결과, ADAlign은 최첨단 방법보다 성능이 우수할 뿐만 아니라, 더 낮은 메모리 사용량과 더 빠른 학습 속도를 통해 효율성 향상도 달성했습니다.

Graph Domain Adaptation (GDA) transfers knowledge from labeled source graphs to unlabeled target graphs but is challenged by complex, multi-faceted distributional shifts. Existing methods attempt to reduce distributional shifts by aligning manually selected graph elements (e.g., node attributes or structural statistics), which typically require manually designed graph filters to extract relevant features before alignment. However, such approaches are inflexible: they rely on scenario-specific heuristics, and struggle when dominant discrepancies vary across transfer scenarios. To address these limitations, we propose \textbf{ADAlign}, an Adaptive Distribution Alignment framework for GDA. Unlike heuristic methods, ADAlign requires no manual specification of alignment criteria. It automatically identifies the most relevant discrepancies in each transfer and aligns them jointly, capturing the interplay between attributes, structures, and their dependencies. This makes ADAlign flexible, scenario-aware, and robust to diverse and dynamically evolving shifts. To enable this adaptivity, we introduce the Neural Spectral Discrepancy (NSD), a theoretically principled parametric distance that provides a unified view of cross-graph shifts. NSD leverages neural characteristic function in the spectral domain to encode feature-structure dependencies of all orders, while a learnable frequency sampler adaptively emphasizes the most informative spectral components for each task via minimax paradigm. Extensive experiments on 10 datasets and 16 transfer tasks show that ADAlign not only outperforms state-of-the-art baselines but also achieves efficiency gains with lower memory usage and faster training.