다중 레이블 그래프 기반 모델의 기초: 단일 벡터 표현 학습부터 다중 의미 기초 학습까지

arXiv:2608.06394v1 발표 알림 유형: 새로운 Abstract: 다중 레이블 노드 분류는 그래프 학습에서 노드가 동시에 여러 의미를 나타내는 중요한 문제입니다. 현재 다중 레이블 노드 분류를 위한 방법들은 다중 레이블을 효과적으로 모델링할 수 있지만, 모델이 훈련 및 테스트되는 동일한 그래프 도메인 내에서만 고려되기 때문에, 제한된 다중 도메인 일반화만을 제공합니다. 최근 그래프 기초 모델(GFMs)은 다양한 그래프 도메인과 하위 작업에 대해 전이 가능한 그래프 표현을 학습하는 데 유망한 패러다임으로 등장했습니다. 그러나 현재의 GFMs는 단일 레이블 가정에 기반을 두고 있으며, 모든 노드는 임의로 단일 클래스의 의미를 포함하고 단일 표현에 임베딩됩니다. 다중 레이블 노드의 경우, 이러한 표현은 결국 표현 공간에서 여러 의미를 단일 점으로 근사화하여 의미 교란을 유발하고, 동시에 다중 레이블의 동시 판별을 어렵게 만듭니다. 이러한 제한을 해결하기 위해, 우리는 다중 의미 기초 그래프 기초 모델(Multi-Semantic Basis Graph Foundation Model, MSB-GFM)을 제안하는 framework를 제안합니다. 이 framework는 다중 도메인 내의 다중 레이블 노드 분류를 위한 framework입니다. 특히, 우리는 다중 의미 기초 표현 학습 패러다임을 도입하여 다중 레이블 노드를 각기 적응적이며 의미 기초의 합성으로 모델링할 수 있게 함으로써, 다중 의미를 모델링하는 유연한 표현력 제공합니다. 또한, 우리는 도메인 적대적 훈련을 위한 의미 구조 이중 채널 아키텍처를 개발하여 효과적인 다중 도메인 지식 이전을 제공합니다. 광범위한 실험은 모델의 효과성을 입증합니다.