하나의 노드가 여러 의미(레이블)를 동시에 가질 수 있는 다중 레이블 노드 분류는 기존 방법으로도 다룰 수 있지만 같은 그래프 안에서만 훈련·테스트하는 도메인 내 시나리오에 국한돼 도메인 간 일반화가 어려웠다. 최근 등장한 그래프 파운데이션 모델(GFM)은 여러 그래프 도메인에 걸쳐 전이 가능한 표현을 학습하지만, 모든 노드가 하나의 의미만 가진다고 가정해 다중 레이블 노드를 단일 표현 공간의 한 점으로 근사하면서 의미가 뒤엉키는 문제가 있었다. 연구진은 다중 레이블 노드를 여러 '의미 기저(semantic bases)'의 적응적 조합으로 모델링하는 '다중 의미 기저 그래프 파운데이션 모델(MSB-GFM)'을 제안하고, 도메인 적대적 훈련을 결합한 의미-구조 이중 채널 구조로 도메인 간 지식 전이를 구현했다. 다양한 실험을 통해 모델의 효과가 입증됐다.

• •기존 그래프 파운데이션 모델은 노드가 하나의 의미만 가진다고 가정해 다중 레이블 노드에서 한계가 있었다.
• •MSB-GFM은 다중 레이블 노드를 여러 '의미 기저'의 적응적 조합으로 표현한다.
• •도메인 적대적 훈련을 결합한 의미-구조 이중 채널 구조로 도메인 간 전이를 구현했다.
• •다양한 실제 데이터션 실험에서 모델의 효과가 입증됐다.