Проблема существующих подходов
Современные графовые фундаментальные модели (GFMs) опираются на допущение о том, что каждый узел графа принадлежит только к одному классу. При классификации мульти-меток (multi-label), где узлы обладают несколькими семантиками одновременно, традиционные методы сжимают эти множественные смыслы в единую точку векторного пространства. Это приводит к семантической перепутанности (semantic entanglement), делая невозможным точное распознавание всех меток узла, особенно при переносе знаний между разными доменами (cross-domain generalization).
Решение: Multi-Semantic Basis Learning
Авторы (Dongxiao He, Jiayu Zhang и соавт.) предлагают архитектуру MSB-GFM (Multi-Semantic Basis Graph Foundation Model). Ключевое отличие — переход от обучения единого вектора к обучению адаптивной композиции семантических базисов. Каждый узел с несколькими метками теперь представляется не как одна точка, а как комбинация базисных векторов, что позволяет гибко моделировать сложные семантические связи.
Архитектура и методы
Для обеспечения эффективного переноса знаний между доменами модель использует:
- Двухканальную архитектуру (Semantic-Structure Dual-Channel): раздельную обработку семантических и структурных признаков.
- Доменно-адаптивное обучение (Domain Adversarial Training): механизм, позволяющий модели быть инвариантной к специфике конкретного графового домена, сохраняя при этом полезность признаков для задачи классификации.
Результаты и значимость
Эксперименты подтверждают эффективность подхода в задачах кросс-доменной мульти-меточной классификации узлов. MSB-GFM демонстрирует, что отказ от жесткого ограничения «один узел — одна метка» открывает путь к созданию более универсальных графовых моделей, способных работать с реальными данными, где объекты редко ограничиваются одной категорией.
Источник: arXiv cs.AI ↗