迈向多标签图基础模型：从单向量表示学习到多语义基学习

多标签节点分类是图学习中一项重要而具有挑战性的任务，其中节点同时呈现多种语义。现有的多标签节点分类方法能有效建模多个标签，但只考虑域内场景，即模型需在同一图域内训练与测试，导致跨域泛化能力受限。近来，图基础模型（Graph Foundation Models, GFMs）已成为一种有前景的范式，用于学习跨多样图域与下游任务的可迁移图表示。然而，现有GFMs建立在单标签假设之上，把所有节点一律视为只含一类语义并嵌入到单一表示中。对多标签节点而言，这种表示实质上是用表示空间中的一个点去逼近多种语义，不可避免地造成语义纠缠，使同时判别多个标签变得困难。为解决这些局限，我们提出多语义基图基础模型（Multi-Semantic Basis Graph Foundation Model, MSB-GFM），一个面向跨域多标签节点分类的框架。具体地，我们引入多语义基表示学习范式，将每个多标签节点建模为语义基的自适应组合，从而为建模多种语义提供灵活的表示能力。此外，我们开发了带域对抗训练的语义-结构双通道架构，以实现有效的跨域知识迁移。大量实验证明了该模型的有效性。