그래프 기초 모델의 OOD 일반화 전략

초록

본 설문은 그래프 기초 모델(GFM)이 구조·도메인·모달리티·작업 변동이라는 네 가지 OOD 상황에서 어떻게 일반화 능력을 확보하는지를 정리한다. 고정 작업과 이질 작업 두 축으로 기존 연구를 분류하고, 각 접근법의 사전학습 목표, 불변성 확보 메커니즘, 평가 프로토콜을 비교한다. 또한 현재 한계와 향후 연구 방향을 제시한다.

상세 분석

이 설문은 그래프 학습 분야에서 OOD 일반화라는 관점을 체계적으로 정리한 점이 가장 큰 강점이다. 먼저 저자들은 그래프 데이터가 구조적 다양성(토폴로지·노드 속성), 도메인 편향(수집·라벨링 차이), 모달리티 불일치(텍스트·분자 특성 등), 작업 형태(노드 분류·링크 예측·그래프 레벨 등) 네 차원에서 변동될 수 있음을 명확히 제시한다. 이러한 변동을 잠재 요인 Φ = (Φ_struct, Φ_dom, Φ_mod, Φ_task) 로 모델링하고, 소스 분포와 타깃 분포 사이의 차이를 이 요인들의 변화로 정의함으로써 OOD 문제를 수학적으로 정형화한다.

다음으로 기존 GFM을 “동일 작업 고정형(Homogeneous‑Task)”과 “다중 작업 변동형(Heterogeneous‑Task)” 두 범주로 나눈 점이 의미 있다. 고정 작업군은 노드 분류, 링크 예측, 그래프 레벨 예측 등 하나의 목표를 유지하면서 구조·도메인·모달리티 변동에 강인한 표현을 학습한다. 여기서는 다중 그래프 사전학습, 대조 학습, 불변 서브그래프 모델링, 베이지안 인‑컨텍스트 추론 등 다양한 불변성 확보 기법이 소개된다. 예를 들어 GraphFM은 토큰화된 라티스 공간에 그래프를 매핑해 다양한 토폴로지를 하나의 인코더로 처리하고, 다중 데이터셋에서 노드 분류 목표를 공유함으로써 구조적·도메인 불변성을 학습한다. AnyGraph은 전문가 네트워크와 동적 라우팅을 도입해 도메인 간 충돌을 완화하고, MDGPT는 도메인 토큰을 활용해 공유 인코더와 도메인‑특정 변조를 결합한다. 이러한 접근법은 파라미터 공유와 경량화된 어댑터를 통해 새로운 그래프에 빠르게 전이할 수 있게 한다.

반면 다중 작업 변동형은 프롬프트·명령어 기반 인터페이스, 통합 토크나이징, 멀티모달 정렬 등을 통해 작업 정의 자체가 변할 때도 일관된 추론을 가능하게 한다. OFA, LLaGA, OpenGraph 등은 “통합 시맨틱 프롬프트” 혹은 “통합 토큰화”를 도입해 텍스트·그래프·멀티모달 입력을 하나의 시퀀스로 변환하고, 사전학습 단계에서 마스크드 모델링·다음 토큰 예측 등 일반화 가능한 목표를 사용한다. 이러한 모델들은 작업 간 전이 손실을 최소화하고, 새로운 작업이 등장해도 파인튜닝 없이 프롬프트만 교체해 적용할 수 있다.

평가 측면에서는 구조 변동(예: 그래프 크기·밀도 변화), 도메인 변동(다중 벤치마크 교차 검증), 모달리티 변동(일부 모달리티 결손) 및 작업 변동(다중 다운스트림 태스크) 네 축을 기준으로 베이스라인과 비교한다. 설문은 현재 대부분의 논문이 구조·도메인 변동에 초점을 맞추고, 모달리티·작업 변동에 대한 실험은 아직 부족함을 지적한다.

마지막으로 저자들은 (1) 잠재 요인 Φ의 정량적 측정 및 시각화, (2) 멀티도메인·멀티모달 간 상호작용을 고려한 인코더 설계, (3) 프롬프트 기반 작업 전이의 이론적 정당성, (4) 실시간 OOD 탐지와 적응 메커니즘 등 네 가지 연구 방향을 제시한다. 전체적으로 이 설문은 그래프 기초 모델이 직면한 OOD 문제를 체계적으로 정리하고, 현재 접근법의 장단점을 명확히 구분함으로써 향후 연구 로드맵을 제시한다.